[오늘의 논문 보석 – 8] 9월 13일자 논문방의 ‘논문빵’ 💎 🍞 -논문 천사 왕순홍 –
오늘 제조한 논문빵이 나왔습니다~! 
안녕하세요 K-BioX의 제빵사 왕순홍 다시 돌아왔습니다!
모든 분들이 역시 멈춤 없이 논문방에서 좋은 논문을 공유 해주고 계십니다!
오늘은 신선하게 발굴된 ‘보석 같이 소중한’ 논문빵을 소개드리겠습니다! 
1.Graph Convolutional Networks and Attention-Based Outlier Detection
논문 정보: RUI QIU, XUSHENG DU, JIONG YU, JIAYING WU, AND SHU LI: Graph Convolutional Networks and Attention-Based Outlier Detection.
https://ieeexplore.ieee.org/document/9825649
논문요약: 여러분야에 적용할 수 있는 outlier detection 기능의 세려된 Graph convolutional attention based outlier detection (GCA) 라는 알고리즘을 소개 논문입니다. GCA는 다른 알고리즘보다 area under ROC Curve의 달성도가 높으며 정확도도 다른 outlier detection의 알고리즘이 상대적으로 높습니다. GCA는 데이터를 hash를 이용해 그래프로 변환시킨 뒤 신경망에 학습시켜서 outlier factor를 계산하는 메카니즘입니다.
논문빵 레시피 제공자: 윤형기님
2.Apoptosis and Cancer
논문 정보: Annual Review of Cancer Biology, Vol. 1:275-294 (Volume publication date March 2017), Anthony Letai: Apoptosis and Cancer.
https://doi.org/10.1146/annurev-cancerbio-050216-121933
논문 요약: “Apoptosis and Cancer” 이라는 리뷰페이퍼입니다. Apoptosis라는 기전이 밝혀진 역사부터 시작해서 BH3 mimetics (예: venetoclax)를 사용한 전략이 CLL에서 굉장히 좋은 효과가 있었던 이유에 대해서 설명했습니다.
위 논문의 내용을 논문 발구자 아래 3가지 주요한 insight로 요약해보았습니다:
1) Cancer cell이 normal cell에 비해 apoptosis-resistant하지 않다(!)
2) Chemotherapy의 cancer-selective effect는 rapid-dividing cell이라는 점만으로 설명할 수 없다 (분열이 굉장히 느린데도 chemosensitive한 종양이 있음)
3) Chemo를 통해 proapoptotic siganling이 주어질 때, apoptotic threshold에 가까이 있는 세포 (primed cell)는 apoptosis로 넘어갈 수 있는 반면 unprimed cell은 그렇지 않다.
-> nonselective proapoptotic signal을 주는 conventional chemo는 어쩌면 precise medicine으로 대체되어야 하는 대상이 아니라 combinational regime으로서 필수적일 수도 있다.
논문빵 레시피 제공자: 김건님
3. The Current and Future State of AI Interpretation of Medical Images
논문 정보: Rajpurkar P, Lungren MP. The Current and Future State of AI Interpretation of Medical Images. N Engl J Med. 2023 May 25;388(21):1981-1990.. PMID: 37224199.
논문 요약: AI 적용했을 때의 의료영상의 정의, 기술, 연구 진도, 난관과 미래 방향에 대한 리뷰 페이퍼입니다. 의료영상에 AI 적용이라는 분야에 전체적인 내용을 이해하기 좋은 논문입니다.
편집자가 요약한 3가지 중요한 점:
1.) AI 모델을 사용시 노동적인 일을 줄일 수 있다거나 장비의 단점을 보완 (eg. noise mitigation, image contrast sharpening) 할 수 있다는 장점이 있지만 radiologists 들이 이 AI 모델의 개발자들이 개발자의 전무 지식이 부족하다는 우려가 있다.
2.) 모델 트레이닝 이용한 환자 데이터가 아닌 환자를 진단할 때 data set shift 이슈로 판단 정확하지 않을 가능성이 높아서 safeguard algorithm과 트레이닝 데이터 환자 말고 전체적인 환자를 고려할 수 있는 알고리즘 필요
3.) 의료영상을 넘어서 환자의 병력, 또는 이전 진단 결과까지 학습하여 진단을 내릴 수 있는 generalist large language modal이 미래의 방향이다.
논문빵 레시피 제공자: Hae Joo님
위 논문들은 ‘K-BioX Biomedical 저널 디스커션 포럼’ 카톡 오픈채팅방에서 논의되고 있습니다.
논문방에서 종종 소통과 인벤트 (디스커션 왕, 논문 요약 상 등등) 진행하고 있으며 상품까지 챙겨 드리고 있습니다!
더 많은 논문 디스커션을 원하신다면 https://open.kakao.com/o/gBQ0CWTd
위 링크를 클릭하고 현재 1055명 함께하고 있는 오픈채팅방에 참여하세요!
