ADDS — AI-Driven Drug Synergy & Diagnostic System

ADDS — AI-Driven Drug Synergy & Diagnostic System

정밀 종양학을 위한 멀티모달 AI 플랫폼
Multimodal AI Platform for Precision Oncology

ADDS는 CT 방사선학, 세포 형태계측학, 약동학 모델링, 기계학습을 하나의 통합 플랫폼으로 융합하여
대장암(CRC) 환자를 위한 개인화 항암 약물 칵테일을 추천하는 정밀 종양학 AI 시스템입니다.

📌 목차 / Table of Contents

시스템 개요
전체 아키텍처
핵심 모듈
성능 지표
14차원 특징 벡터
설치 및 실행
API 참조
데이터 구조
연구 배경
인용

🔬 시스템 개요 / System Overview

ADDS (AI-Driven Drug Synergy) 는 인하대학교병원과의 공동 연구를 통해 개발된 정밀 종양학 AI 생태계입니다.

핵심 혁신 포인트

혁신	설명
멀티모달 데이터 융합	CT 방사선학 + 세포 병리학 + 임상 메타데이터를 단일 14차원 특징 벡터로 통합
이중 추론 엔진	ADDS 경로 기반 엔진 + OpenAI GPT-4 동시 실행 및 교차 검증
RAG 기반 근거 생성	의사 소견서를 1순위 프롬프트로 활용하는 검색 증강 생성(RAG) 시스템
PrPc 바이오마커 발견	TCGA 데이터(n=2,285)에서 KRAS-RPSA 시그널로솜 기반 신규 바이오마커 발견
실시간 임상 적용	15.67초 내 엔드-투-엔드 분석 완료 (530×751×750 볼륨 기준)

🏗️ 전체 아키텍처 / Architecture

┌─────────────────────────────────────────────────────────────────────┐
│                    ADDS Precision Oncology Platform v3.5             │
│                      Inha University Hospital                        │
└─────────────────────────────────────────────────────────────────────┘
                                    │
          ┌─────────────────────────┼─────────────────────────┐
          ▼                         ▼                         ▼
  ┌───────────────┐       ┌─────────────────┐       ┌────────────────┐
  │  Streamlit UI │       │  FastAPI Backend │       │  Data Layer    │
  │  (Port 8505)  │◄─────►│  (Port 8000)    │◄─────►│  SQLite / NFS  │
  │               │       │                 │       │                │
  │ • 환자 관리   │       │ /api/v1/        │       │ patients.db    │
  │ • AI 분석     │       │  ├─ patients    │       │ ct_data/       │
  │ • 약물 추천   │       │  ├─ ct          │       │ microscopy/    │
  │ • 보고서 생성 │       │  ├─ cellpose    │       │ literature/    │
  └───────────────┘       │  ├─ pharmacoki  │       └────────────────┘
                          │  ├─ adds        │
                          │  └─ openai      │
                          └─────────────────┘
                                    │
         ┌──────────────────────────┼──────────────────────────┐
         ▼                          ▼                          ▼
┌────────────────┐        ┌─────────────────┐        ┌────────────────┐
│  CT Pipeline   │        │ Cellpose Pipeline│        │  Drug Synergy  │
│  (6 Stages)    │        │                 │        │  Engine        │
│                │        │ cyto3 Model     │        │                │
│ S1: DICOM→NIfTI│        │ → Segmentation  │        │ KRAS-PrPc      │
│ S2: Organ Seg  │        │ → Ki-67 Index   │        │ Signalosome    │
│ S3: Tumor Det  │        │ → Morphology    │        │                │
│ S4: Radiomics  │        │ → Heterogeneity │        │ Pritamab       │
│ S5: Staging    │        │                 │        │ Prediction     │
│ S6: ADDS Integ │        │ n=43,190 cells  │        │                │
│                │        │ analyzed        │        │ PK/PD Modeling │
│ Acc: 98.65%    │        │                 │        │                │
└────────────────┘        └─────────────────┘        └────────────────┘
         │                          │                          │
         └──────────────────────────┼──────────────────────────┘
                                    ▼
                    ┌───────────────────────────────┐
                    │    14D Multimodal Feature      │
                    │    Vector Fusion               │
                    │                                │
                    │  CT Radiomics (7D):            │
                    │  Sphericity, Entropy,          │
                    │  Contrast, Size, Circularity,  │
                    │  Mean HU, Confidence           │
                    │                                │
                    │  Cell Culture (7D):            │
                    │  Density, Drug Resistance,     │
                    │  Proliferation, Complexity,    │
                    │  Circularity, Clark-Evans,     │
                    │  Viability                     │
                    └───────────────────────────────┘
                                    │
                    ┌───────────────┴───────────────┐
                    ▼                               ▼
         ┌─────────────────┐             ┌──────────────────┐
         │  ADDS Engine    │             │  OpenAI Engine   │
         │  (Pathway-Based)│             │  (GPT-4 Medical) │
         │                 │             │                  │
         │ KRAS/RAF/MEK/   │             │ Clinical Summary │
         │ ERK Signaling   │◄── Cross ──►│ Treatment Plan   │
         │ Synergy Scoring │  Validate   │ MDT Consensus    │
         └─────────────────┘             └──────────────────┘
                    │                               │
                    └───────────────┬───────────────┘
                                    ▼
                    ┌───────────────────────────────┐
                    │   Final Drug Cocktail          │
                    │   Recommendation               │
                    │                                │
                    │  FOLFOX + Bevacizumab          │
                    │  + PK-Optimized Dosing         │
                    │  + Outcome Simulation          │
                    │   (ORR / PFS / OS)             │
                    └───────────────────────────────┘

⚙️ 핵심 모듈 / Core Modules

1. CT 분석 파이프라인

6단계 3D CT 종양 검출 및 방사선학 분석 파이프라인

Stage 1: 3D Volume Reconstruction
    DICOM Series → 1mm³ Isotropic NIfTI Volume
    (SimpleITK, scipy 기반 리샘플링)

Stage 2: Anatomical Organ Segmentation
    nnU-Net v2 → Colon / Liver / Lymph Node Parsing

Stage 3: Tumor Detection  ← VerifiedCTDetector (98.65% Accuracy)
    HU Thresholding: 60–120 HU (Arterial Phase)
    2D Slice-by-Slice Morphological Filtering
    Min Size: 30 px (noise), 50 mm³ (clinical threshold)

Stage 4: Radiomics Extraction
    PyRadiomics → 100+ Phenotypic Features
    (Sphericity, Entropy, GLCM Contrast, Surface Area...)

Stage 5: Biomarker Prediction
    Malignancy Score / TNM Staging / MSI / KRAS Status

Stage 6: ADDS Integration
    Radiomics → PK Sensitivity Model → Drug Recommendation

주요 성능 지표 (인하대학교병원 코호트)

지표	값
검출 정확도	98.65% (74개 슬라이스 중 73개)
처리 시간	15.67초 (530×751×750 볼륨)
처리량	33.8 슬라이스/초
HU 탐지 범위	60–120 HU (동맥기)
최소 병변 크기	50 mm³

2. Cellpose 현미경 분석

HUVEC 세포 형태계측학 자동화 분석 (Cellpose cyto3 모델 기반)

Raw Microscopy Image
       │
       ▼
CLAHE + Denoising (Preprocessing)
       │
       ▼
Cellpose cyto3 Segmentation
       │
       ├─→ Cell Count & Density
       ├─→ Elongation Ratio (장축/단축)
       ├─→ Circularity Score
       ├─→ Clark-Evans Index (군집 분포)
       ├─→ Ki-67 Proliferation Index Estimation
       └─→ Tumor Heterogeneity Score

분석 결과 (HUVEC Serum 실험, n = 43,190 cells)

조건	세포 수	장축비	세포면적	해석
Control	11,717	1.831	696 px²	정지 상태
Healthy Serum	6,538	1.865	618 px²	정상 활성화
HGPS Serum	13,676	1.902	756 px²	병리적 활성화
HGPS + MT-Exo	11,259	1.992	775 px²	최대 내피 활성화

MT-Exo 처리군에서 세포 장축비 유의미한 증가 (p < 0.001) — 내피세포 이동 능력 증강 시사

3. KRAS-PrPc 약물 시너지

기전 기반 약물 시너지 예측 엔진

PrPc 조직-혈청 패러독스 해결

측정	CRC 조직	혈청	기전
PRNP mRNA	↓ 낮음	—	종양 억제
PrPc 단백질	—	↑↑ 높음	ADAM10/17 쉐딩

ADAM10/17 효소가 세포막 GPI-앵커 PrPc를 절단 → 혈류로 방출
TCGA 실데이터 검증: n = 2,285 (BRCA, STAD, COAD, PAAD, READ)

KRAS-RPSA 시그널로솜 경로

KRAS Mutation (G12D/G12V)
       │
       ▼
RAF → MEK → ERK Activation
       │
       ├─→ PrPc-RPSA Complex Formation
       │         │
       │         └─→ Laminin Binding (세포 침윤 촉진)
       │
       └─→ Downstream Survival Pathways
                 │
                 ├─→ mTOR Axis
                 ├─→ PI3K/AKT
                 └─→ WNT/β-catenin

약물 지식 베이스

지표	값
총 논문 수	311편 (Nature/Cell/Science 등 Tier-1)
데이터 샘플	2,348 임상 샘플
등록 약물	113종
작용 기전	90개
바이오마커	69개
시너지 조합	59개

4. 약동학 (PK/PD) 모델링

환자 맞춤형 항암제 용량 최적화 1-구획 모델

$$C_{max} = \frac{D}{V_d} \cdot e^{-k_e \cdot t}$$

파라미터	공식	단위
청소율 (Cl)	$120.0 \times \max(0.7, 1.0 - \frac{V_{tumor}}{500})$	mL/min
분포용적 (Vd)	$45.0 + (V_{tumor} \times 0.5)$	L
반감기 (t½)	$0.693 \times \frac{V_d}{Cl \times 0.06}$	hours
최적 용량 (D)	$200.0 \times (1.0 + \frac{Ki67}{200})$	mg/m²

안전 제약 조건:

투여 간격: 6h – 24h (하드 클램프)
최대 반응률: 95% (임상 현실성 유지)
신장/간 기능 대리 지표: cl_factor (종양 부담 기반)

5. 임상 의사결정 지원 (CDS)

이중 추론 엔진 기반 교차 검증 시스템

┌─────────────────────────────────────────────────────────┐
│            6-Step Dynamic Inference Pipeline             │
└─────────────────────────────────────────────────────────┘

Step 0: RAG Analysis
    의사 소견서 → 의미론적 임상 컨텍스트 추출
    (증상, 병력, 환자 선호도)

Step 1: CT Analysis (Live API)
    DICOM 업로드 → /api/v1/ct/analyze
    결과: 방사선학 JSON + 시각화 이미지 스트림

Step 2: Cell Analysis (조건부)
    Cellpose 세분화 → Ki-67 정량화
    (현미경 이미지 없으면 건너뜀)

Step 3: Pharmacokinetics
    CT + Cellpose 결과 → PK 최적화 파라미터

Step 4: ADDS Inference
    경로 기반 기전 추천
    (RAG 컨텍스트 + 멀티모달 데이터)

Step 5: OpenAI Inference
    GPT-4 임상 통합 (의사 소견서 1순위 프롬프트)

Step 6: Cross-Validation
    소견서 ↔ CT 결과 ↔ 병리 결과 자동 일치성 검증

최종 추천 생성:

🎯 항암제 칵테일 (예: FOLFOX + Bevacizumab)
💊 최적화된 투여량 및 경로
📊 예후 시뮬레이션 (ORR / PFS / OS)
📄 이중 보고서 (의료진 기술 보고서 + 환자 가이드)

6. 통합 환자 관리 시스템

엔터프라이즈급 임상 데이터 관리 (IPMS)

# 환자 ID 형식
Patient ID: P-2026-001

# 핵심 임상 메타데이터
{
  "tnm_stage": "T4N0M0",
  "msi_status": "MSS",
  "kras_mutation": "G12D",
  "ecog_score": 1,
  "ki67_index": 45.2,
  "tumor_location": "Sigmoid Colon"
}

기능	설명
환자 CRUD	P-YYYY-NNN 형식 영구 레코드
종단 추적	치료 경과에 따른 데이터 이력 관리
멀티모달 업로드	CT DICOM + 현미경 이미지 + 소견서 통합
실시간 진행	분석 단계별 실시간 상태 추적
PDF 보고서	자동 생성 (의료진용 / 환자용)

📊 성능 지표 / Performance Metrics

CT 분석 성능

┌─────────────────────────────────────────────────────┐
│  CT Detection Performance (Inha University Hospital) │
│  ─────────────────────────────────────────────────── │
│  Accuracy:      ████████████████████ 98.65%         │
│  Speed:         15.67s / patient (E2E)               │
│  Throughput:    33.8 slices/sec                      │
│  Volume Size:   530 × 751 × 750 voxels               │
│  HU Range:      60 – 120 HU (arterial phase)         │
│  Min Lesion:    50 mm³                               │
└─────────────────────────────────────────────────────┘

시스템 벤치마크

구성	처리 시간
CT E2E 분석 (표준)	~45.2초
CT E2E 분석 (최적화)	15.67초
Cellpose (GPU, 1장)	~3.2초
약물 추천 생성	~2.1초
전체 파이프라인	< 90초

연구 데이터 규모

데이터 유형	규모
HUVEC 분석 세포 수	43,190개
TCGA PrPc 실제 샘플	2,285개
논문 지식 베이스	311편
이하 CT 코호트 볼륨	530×751×750
임상 샘플 (전체)	2,348개

🧬 14차원 멀티모달 특징 벡터

feature_vector = {
    # CT Radiomics (7D) — 거시적 영상 특징
    "sphericity":          float,  # 종양 구형도
    "energy":              float,  # GLCM 텍스처 에너지
    "contrast":            float,  # 영상 대비도
    "tumor_size_mm2":      float,  # 종양 크기 (mm²)
    "circularity":         float,  # 원형도
    "mean_hu":             float,  # 평균 하운스필드 단위
    "detection_confidence":float,  # 검출 신뢰도

    # Cell Culture (7D) — 미시적 세포 특징
    "cell_density":        float,  # 세포 밀도 (cells/mm²)
    "drug_resistance":     float,  # 약물 저항 점수
    "proliferation_score": float,  # Ki-67 기반 증식 지수
    "microenv_complexity": float,  # 미세환경 복잡도
    "mean_circularity":    float,  # 평균 세포 원형도
    "clark_evans_index":   float,  # 공간적 군집 지수
    "estimated_viability": float,  # 예상 세포 생존율
}

🚀 설치 및 실행 / Installation

시스템 요구사항

항목	최소	권장
Python	3.11	3.11+
GPU	CUDA 11.x	CUDA 12.8 (RTX 50-series)
RAM	16 GB	32 GB
VRAM	8 GB	16 GB
저장공간	50 GB	200 GB

빠른 설치

# 1. 레포지토리 클론
git clone https://github.com/leejaeyoung-cpu/ADDS.git
cd ADDS

# 2. 가상환경 생성
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 3. 의존성 설치
pip install -r requirements.txt

# 4. 환경 변수 설정
cp .env.example .env
# .env 파일에서 OPENAI_API_KEY, DB_PATH 등 설정

# 5. 데이터베이스 초기화
cd backend
python -c "from database_init import init_database; init_database()"
cd ..

시스템 실행

# ✅ 방법 1: 통합 실행 (권장)
START_ALL.bat           # 백엔드(8000) + Streamlit UI(8505) 동시 실행

# ✅ 방법 2: 수동 실행
# 터미널 1 — 백엔드
cd backend
uvicorn main:app --host 0.0.0.0 --port 8000 --reload

# 터미널 2 — Streamlit UI
python -m streamlit run src/ui/app.py --server.port 8505

접근 주소:

🖥️ 임상 UI: http://localhost:8505

📡 API 서버: http://localhost:8000

📚 API 문서: http://localhost:8000/docs

GPU 설정 (RTX 50-series / Blackwell)

# PyTorch Nightly (cu128 지원)
pip install --pre torch torchvision torchaudio \
    --index-url https://download.pytorch.org/whl/nightly/cu128

# GPU 상태 확인
python -c "import torch; print(f'CUDA: {torch.cuda.is_available()}, Device: {torch.cuda.get_device_name(0)}')"

📁 데이터 구조 / Data Structure

ADDS/
├── 📂 src/                         ← 핵심 소스 모듈
│   ├── adds/                       ← ADDS 추론 엔진
│   ├── medical_imaging/            ← CT 파이프라인
│   │   ├── detection/              ← 종양 검출 (SimpleHUDetector)
│   │   ├── preprocessing/          ← DICOM 전처리
│   │   ├── radiomics/              ← 방사선학 특징 추출
│   │   └── segmentation/           ← 장기 분할
│   ├── pathology/                  ← Cellpose 현미경 분석
│   ├── clinical/                   ← 임상 데이터 관리
│   ├── ml/                         ← 머신러닝 모델
│   │   ├── fusion/                 ← 멀티모달 융합
│   │   └── survival/               ← PFS/OS 예측
│   ├── protein/                    ← PrPc 단백질 분석
│   ├── recommendation/             ← 약물 추천 엔진
│   ├── knowledge/                  ← 지식 베이스 (311편 논문)
│   ├── knowledge_base/             ← 구조화된 약물 DB
│   ├── reporting/                  ← PDF 보고서 생성
│   ├── visualization/              ← 데이터 시각화
│   ├── xai/                        ← 설명 가능 AI (XAI)
│   └── ui/                         ← Streamlit UI 컴포넌트
│
├── 📂 backend/                     ← FastAPI 백엔드
│   ├── main.py                     ← 앱 진입점
│   ├── api/                        ← REST API 라우터
│   │   ├── ct_analysis.py          ←  /api/v1/ct
│   │   ├── patients.py             ←  /api/v1/patients
│   │   ├── pharmacokinetics.py     ←  /api/v1/pharmacokinetics
│   │   ├── adds_inference.py       ←  /api/v1/adds
│   │   └── openai_inference.py     ←  /api/v1/openai
│   ├── services/                   ← 비즈니스 로직 서비스
│   │   ├── ct_pipeline_service.py
│   │   ├── cell_culture_service.py
│   │   ├── adds_service.py
│   │   └── openai_service.py
│   ├── models/                     ← SQLAlchemy ORM 모델
│   └── schemas/                    ← Pydantic 스키마
│
├── 📂 analysis/                    ← 연구 분석 스크립트
│   ├── huvec/                      ← HUVEC 세포 분석
│   ├── ct/                         ← CT 분석 파이프라인
│   └── pritamab/                   ← Pritamab 약물 시너지
│
├── 📂 figures/                     ← 논문용 Figure (300 DPI)
├── 📂 docs/                        ← 시스템 문서
├── 📂 configs/                     ← 설정 파일
├── 📂 tests/                       ← 유닛 테스트
├── 📂 notebooks/                   ← Jupyter 분석 노트북
├── 📂 data/samples/                ← 익명화된 샘플 데이터
│
├── 🐳 Dockerfile                   ← 컨테이너 이미지
├── 🐳 docker-compose.yml           ← 서비스 오케스트레이션
├── 📋 requirements.txt             ← Python 의존성
├── 📋 pyproject.toml               ← 프로젝트 설정
└── 🔑 .env.example                 ← 환경변수 템플릿

📡 API 참조 / API Reference

Base URL

http://localhost:8000/api/v1

핵심 엔드포인트

Method	Endpoint	설명
`GET`	`/health`	시스템 상태 확인
`GET`	`/patients`	환자 목록 조회
`POST`	`/patients`	신규 환자 등록
`GET`	`/patients/{id}`	환자 상세 조회
`POST`	`/ct/analyze`	CT DICOM 분석 실행
`GET`	`/ct/health`	CT 파이프라인 상태
`GET`	`/ct/models/status`	nnU-Net 모델 상태
`POST`	`/pharmacokinetics/analyze`	PK 파라미터 계산
`POST`	`/adds/infer`	ADDS 경로 기반 추론
`POST`	`/openai/infer`	GPT-4 임상 추론

CT 분석 요청 예시

import requests

# DICOM 파일 업로드 및 분석
with open("tumor_series.dcm", "rb") as f:
    response = requests.post(
        "http://localhost:8000/api/v1/ct/analyze",
        files={"dicom_file": f},
        data={"patient_id": "P-2026-001"}
    )

result = response.json()
print(f"종양 검출: {result['tumors_detected']}개")
print(f"신뢰도: {result['confidence']:.2%}")
print(f"TNM 추정: {result['tnm_stage']}")

PK 최적화 요청 예시

pk_response = requests.post(
    "http://localhost:8000/api/v1/pharmacokinetics/analyze",
    json={
        "patient_id": "P-2026-001",
        "tumor_volume_mm3": 2450.5,
        "ki67_index": 45.2,
        "body_surface_area": 1.73
    }
)

pk = pk_response.json()
print(f"최적 용량: {pk['optimal_dose_mg_m2']} mg/m²")
print(f"반감기: {pk['half_life_hours']:.1f}시간")
print(f"투여 간격: {pk['dosing_interval_hours']}시간")

🧪 연구 배경 / Research Background

PrPc 바이오마커 발견 여정

버전	전략	코호트	목표	결과
v1.0	단일 마커 (혈청)	n=63	Stage III CRC	❌ 갭 발견
v2.0	멀티마커 패널	20–30개	일반 GI 암	🔄 전략 전환
v3.0	AI-First / 국가 바이오데이터	n=300–800	조기 검출	✅ 진행 중

지식 베이스 구성 (2026년 2월 기준)

문헌 지식 베이스 v2.0
├── Tier 1 (100편): Nature / Cell / Science / Nature Medicine
├── Tier 2 (100편): JCO / Cancer Research
└── Tier 3: The Biology of Cancer (Weinberg)

통계:
• 311편 논문 (초록 기반 GPT-4 추출)
• 2,285 실제 TCGA 샘플 (BRCA, STAD, COAD, PAAD, READ)
• 113종 약물 / 90개 기전 / 69개 바이오마커
• 59개 시너지 조합 검증

임상 파일럿 프로토콜

파일럿 연구 설계 (v1.0)
• 디자인: 전향적 파일럿, N=100 (증례 50, 대조 50)
• 목표: Stage I 30% + Stage II 30% (조기 검출)
• Go/No-Go 기준: AUC ≥ 0.75

3개월 로드맵:
• Month 1: IRB 제출 + 계정 설정
• Month 2: 승인 확보 + 사이트 활성화
• Month 3: 등록 + Go/No-Go 결정

⚠️ 데이터 가용성 / Data Availability

환자 CT 데이터 및 원시 현미경 이미지는 이 레포지토리에 포함되지 않습니다:

🔒 PHI 규정 (Protected Health Information): 개인건강정보 보호법
📏 파일 크기 제한: GitHub 100MB 제한 (CT 볼륨은 수 GB)
🏥 기관 승인 필요: 인하대학교병원 IRB 승인 데이터

재현을 위한 데이터 접근은 저자에게 문의하세요.
data/samples/ 디렉토리에는 익명화된 소규모 샘플만 포함됩니다.

📄 인용 / Citation

이 코드를 연구에 사용하신다면 다음을 인용해 주세요:

@misc{adds2026,
  title     = {ADDS: AI-Driven Drug Synergy and Diagnostic System — 
               A Multimodal Precision Oncology Platform},
  author    = {Lee, Jaeyoung and others},
  year      = {2026},
  url       = {https://github.com/leejaeyoung-cpu/ADDS},
  note      = {Inha University Hospital, Incheon, Korea}
}

🤝 기여 / Contributing

기여를 환영합니다! 세부 가이드라인은 CONTRIBUTING.md를 참조하세요.

빠른 기여 가이드:

Fork → Feature Branch 생성 (feat/my-feature)
변경사항 작성 + 테스트 추가
Pull Request 생성 (PR 템플릿 작성 필수)

🔐 보안 / Security

보안 취약점 발견 시 공개 이슈를 생성하지 말고, SECURITY.md의 가이드라인에 따라 비공개 보고해 주세요.

⚠️ Methodological Notes / 방법론 주석

Transparency Statement: All performance metrics are reported with their methodological context and limitations. This section is intended to support scientific reproducibility and honest evaluation.

CT Tumor Detection (98.65% Accuracy)

Item	Detail
Dataset	Inha University Hospital CRC cohort
Sample size	N = 74 CT slices (single patient, arterial phase)
Method	HU-threshold (60–120 HU) + morphological filtering + connected-component analysis
Ground truth	Manual annotation by clinical radiologist
Metric	Slice-level detection accuracy (correct slices / total slices)
95% CI	[0.949, 1.000] (Wilson score interval)
⚠️ Limitation	Single-patient pilot study. Multi-center validation with N≥200 patients is ongoing. This metric does NOT represent patient-level diagnostic accuracy.

Cell Morphometry (N = 43,190 cells)

Item	Detail
Instrument	Brightfield microscopy
Cell lines	HUVEC (Human Umbilical Vein Endothelial Cells)
Conditions	4 groups: Control · Healthy Serum · HGPS Serum · HGPS + MT-Exosome
Images analyzed	80 brightfield images
Segmentation	Cellpose v3 (cyto3 model), GPU-accelerated
⚠️ Limitation	In vitro model only. Clinical relevance requires PDO (Patient-Derived Organoid) validation.

Drug Synergy Models (TCGA N = 2,285)

Item	Detail
Training data	TCGA-COAD + DrugComb + OncoKB
Synergy metrics	Bliss Independence, Loewe Additivity, HSA, ZIP
Model architecture	DeepSynergy v2 (DNN) + XGBoost ensemble
Validation	5-fold cross-validation on held-out TCGA subset
⚠️ Limitation	Synergy predictions are based on genomic/transcriptomic features. Prospective clinical validation has not been conducted. Not for clinical use without regulatory approval.

Reproducibility

# Verify core scientific logic (no GPU required)
pip install -r requirements-ci.txt
python -m pytest tests/test_science_core.py -v
# Expected: 18 passed

All statistical tests, synergy formulas, and data integrity checks in tests/test_science_core.py pass with zero external dependencies.

📬 연락처 / Contact

항목	내용
레포지토리	github.com/leejaeyoung-cpu/ADDS
기관	인하대학교병원, 인천광역시, 대한민국
연구 분야	정밀 종양학 / AI 의료기기 (SaMD)
목표 저널	Nature Communications

ADDS v3.5.0 — Built with ❤️ for Precision Oncology
Inha University Hospital × AI Research Team | 2026

Name		Name	Last commit message	Last commit date
Latest commit History 67 Commits
.github		.github
.streamlit		.streamlit
CDS		CDS
analysis/ct		analysis/ct
annotations		annotations
assets		assets
backend		backend
config		config
configs		configs
docker		docker
docs		docs
examples		examples
frontend		frontend
k_bds_integration		k_bds_integration
notebooks		notebooks
patient_management_system		patient_management_system
prpc		prpc
scripts		scripts
services		services
src		src
streamlit_apps		streamlit_apps
tests		tests
webapp		webapp
.dockerignore		.dockerignore
.env.example		.env.example
.env.template		.env.template
.gitignore		.gitignore
BUILD_LITERATURE_DB.bat		BUILD_LITERATURE_DB.bat
CHANGELOG.md		CHANGELOG.md
Dockerfile		Dockerfile
Dockerfile.gpu		Dockerfile.gpu
EMERGENCY_RESTART_GPU.bat		EMERGENCY_RESTART_GPU.bat
Fig1_KRAS_PrPc_Infographic.png		Fig1_KRAS_PrPc_Infographic.png
LICENSE		LICENSE
README.md		README.md
START_ALL.bat		START_ALL.bat
START_CLINICAL_SYSTEM.bat		START_CLINICAL_SYSTEM.bat
START_EXTRACTION_MONITOR.bat		START_EXTRACTION_MONITOR.bat
ct_literature_parameters.json		ct_literature_parameters.json
ct_pipeline_parameter_table.csv		ct_pipeline_parameter_table.csv
ct_segvol_direct.json		ct_segvol_direct.json
deploy.ps1		deploy.ps1
deploy.sh		deploy.sh
docker-compose.clinical.yml		docker-compose.clinical.yml
docker-compose.gpu.yml		docker-compose.gpu.yml
docker-compose.prod.yml		docker-compose.prod.yml
docker-compose.yml		docker-compose.yml
pyproject.toml		pyproject.toml
requirements-ci.txt		requirements-ci.txt
requirements.txt		requirements.txt
run_clinical_validation.bat		run_clinical_validation.bat
run_validation.bat		run_validation.bat
run_with_nvidia.sh		run_with_nvidia.sh
start_backend.bat		start_backend.bat
start_system.ps1		start_system.ps1
start_ui.bat		start_ui.bat
test_viewer.html		test_viewer.html
test_viewer_backup.html		test_viewer_backup.html
train_nnunet.ps1		train_nnunet.ps1
validation_report.html		validation_report.html
working_viewer.html		working_viewer.html

Folders and files

Latest commit

History

Repository files navigation

ADDS — AI-Driven Drug Synergy & Diagnostic System

📌 목차 / Table of Contents

🔬 시스템 개요 / System Overview

핵심 혁신 포인트

🏗️ 전체 아키텍처 / Architecture

⚙️ 핵심 모듈 / Core Modules

1. CT 분석 파이프라인

2. Cellpose 현미경 분석

3. KRAS-PrPc 약물 시너지

PrPc 조직-혈청 패러독스 해결

KRAS-RPSA 시그널로솜 경로

약물 지식 베이스

4. 약동학 (PK/PD) 모델링

5. 임상 의사결정 지원 (CDS)

6. 통합 환자 관리 시스템

📊 성능 지표 / Performance Metrics

CT 분석 성능

시스템 벤치마크

연구 데이터 규모

🧬 14차원 멀티모달 특징 벡터

🚀 설치 및 실행 / Installation

시스템 요구사항

빠른 설치

시스템 실행

GPU 설정 (RTX 50-series / Blackwell)

📁 데이터 구조 / Data Structure

📡 API 참조 / API Reference

Base URL

핵심 엔드포인트

CT 분석 요청 예시

PK 최적화 요청 예시

🧪 연구 배경 / Research Background

PrPc 바이오마커 발견 여정

지식 베이스 구성 (2026년 2월 기준)

임상 파일럿 프로토콜

⚠️ 데이터 가용성 / Data Availability

📄 인용 / Citation

🤝 기여 / Contributing

🔐 보안 / Security

⚠️ Methodological Notes / 방법론 주석

CT Tumor Detection (98.65% Accuracy)

Cell Morphometry (N = 43,190 cells)

Drug Synergy Models (TCGA N = 2,285)

Reproducibility

📬 연락처 / Contact

About

Topics

Resources

License

Contributing

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages