시계열 PCR 신호 baseline 보정

English한국어

역할: 기술 리드 / 데이터 사이언티스트 (Data Scientist 3, Data Engineer 1)  ·  기간: 2024.01 – 2024.09  ·  스택: Python, Matlab, 혼합 기저함수 모델링, 경량 선형회귀

하드코딩된 레거시 PCR 신호 보정 알고리즘을 데이터 기반 혼합 기저함수 모델로 재설계하는 과제를 총괄했다. 레거시 스택이 취약했던 이유는 둘이다:

  • 신호 복잡성 — 화학·광학·기계 반응이 섞여 단일 결정론 규칙으로 대응할 수 없고, 신호 종류마다 조건 분기가 누적됐다.
  • 파편화된 도구 — 표준화되지 않은 baseline fitting 알고리즘이 여러 벌 병존해 제품·팀 간 결과가 달랐다.
시계열 PCR 신호 baseline 보정 — 프로젝트 포스터

주요 성과

  • 데이터 기반 혼합 기저함수 모델 — Taylor Series 다항식 근사에서 착안해 다항식·지수·로그 등 혼합 기저함수로 신호를 변환하는 ‘특성방정식’ 알고리즘을 직접 설계하고, 경량 선형회귀로 baseline을 적합. 기저함수를 추가하는 것만으로 새로운 신호 패턴에 확장 가능 — 조건 분기 추가가 필요 없다.
  • 위음성률 0.47% → 0.04% (91.49% 개선) — 환자 안전성에 직결되는 거짓 음성을 한 자릿수 분의 일 수준으로 낮췄다.
  • 5종 경쟁 알고리즘 대비 잔여신호 백색잡음 근사도 1위 — 업계 1위 타사 Black Box 알고리즘과의 직접 성능 비교까지 완료.
  • 최소 패키지 정책 — C++ 포팅을 위해 외부 ML/DL 프레임워크 없이(NumPy/Pandas만) 구현, 로그 정규화 → 기저함수 특성 벡터 → 비용함수 → 모멘텀 경사하강 → 예측 → 역정규화 파이프라인 구성.
  • 직관적 성능 비교 시각화(복수 신호·단일 신호·신호 유형별)로 생물학자·임원까지 참여하는 객관적 의사결정을 지원.

접근

측정 기반 데이터 주도 모델 하나가 하드코딩 baseline을 대체하고, 파편화된 fitting 알고리즘을 단일화하며, 동일 신호에서 경쟁 알고리즘 대비 품질을 검증한다.

flowchart TB
    L[Hard-coded legacy algorithm] --> D[Data-driven<br/>mixed-basis-function model]
    D --> OPT[Log norm, basis vectors,<br/>momentum gradient descent]
    OPT --> CMP[6-algorithm comparison<br/>+ visual validation]
    CMP --> FN[False-negative<br/>0.47% to 0.04%]
    CMP --> WN[#1 white-noise<br/>approximation of 5]