1. 학습 모델 개발
 1) 폐조직 이미지 분할
   - (개발 목표) 폐조직 병리 슬라이드 이미지를 기반으로 암 조직과 정상 조직을 분할 
   - (개발 내용) 구축되는 폐조직 병리 슬라이드 이미지의 학습데이터를 활용 EfficientNet을 기반으로 High-Level Feature를 추출하고 이를 U-Net 구조에 입력으로 하여 Pixel 별 암/정상 분류를 진행하여 최종적으로 Segmentation Mask 도출

 2) 폐암 환자 생존 분석
   - (개발 목표) 폐암 환자에 대한 임상 및 병리 정보를 기반으로 환자의 생존 확률을 분석
   - (개발 내용) 구축되는 정형 데이터 (임상 및 병리 정보)를 활용하여 DeepSurv를 기반으로 예측을 진행하며 정형 데이터의 사망일 및 마지막 병원 방문일로부터 생존 기간을 추출하여 학습
 

2. 데이터 활용

1) 폐암 공통 임상 지표 데이터

2) 폐암 임상 데이터

3) JSON 형식

{
  "annotations": [
    {
      "info": {
        "name": "filename.svs",
        "stain_type": "H&E",
        "contributer": "AJMC",
        "description": "소세포암",
        "ROI": {
          "xmin": 37006,
          "ymin": 9791,
          "xmax": 39526,
          "ymax": 11778
        }
      },
      "annotations": [
        {
          "id": 1,
          "class": "Tumor",
          "type": "segmentation",
          "coordinates": [
            [
              39001,
              9791
            ],
            [
              38995,
              9794
            ],
            [
              38989,
              9797
            ],
            [
              38980,
              9797
            ], ...
            [
              39076,
              9797
            ],
            [
              39073,
              9794
            ],
            [
              39037,
              9794
            ],
            [
              39034,
              9791
            ],
            [
              39001,
              9791
            ]
          ]
        }
      ]
    }