B
병리AI 학습 라벨링 워크벤치
2.65
파생 체인
단계 1
16만장 암병리 AI 데이터 공개
→
단계 2
병리 AI 모델 학습 수요 증가
→
단계 3
병리 슬라이드 라벨링 전문 도구
문제
16만장 규모 디지털 병리 데이터가 공개되며 병리 AI 스타트업과 대학 연구실의 모델 학습이 활발해지고 있으나, 병리 슬라이드 라벨링에는 병리 전문의 참여가 필수적이다. 기존 범용 라벨링 도구(Labelbox, CVAT)는 WSI(Whole Slide Image) 포맷 지원이 미흡하고, 병리 특화 어노테이션(세포 분류·영역 마킹·등급 판정)을 지원하지 않아 연구팀당 월 40-80시간의 비효율적 수작업이 발생한다.
솔루션
병리 슬라이드 전용 웹 라벨링 도구. (1) WSI 포맷(.svs, .ndpi) 네이티브 뷰어와 다단계 줌 어노테이션, (2) 병리 전문 라벨 체계(세포 유형·조직 등급·경계면) 프리셋, (3) AI-assist 반자동 영역 추천으로 라벨링 속도 3배 향상. 한국 병리학회 가이드라인 기반 라벨 체계로 차별화.
NUMR-V Scores
NUMR-V Scoring System
| N Novelty | 1-5 | 시장 내 유사 서비스 부재 정도. 경쟁사 0개 = 5, 10+개 = 1 |
| U Urgency | 1-5 | 사용자가 지금 당장 필요로 하는 긴급성. 트렌드 부합 + 시급성 |
| M Market | 1-5 | 타겟 시장의 크기와 성장 가능성. 프록시 지표 기반 (LLM 추정 X) |
| R Realizability | 1-5 | 1-2인이 실현 가능한 정도. 기술 난이도 + 데이터 확보 용이성 |
| V Validation | 1-5 | 시장 검증 통과 여부. 경쟁사 분석 + 수요 프록시 + 타이밍 |
SaaS N=.15 U=.20 M=.15 R=.30 V=.20
Senior N=.25 U=.25 M=.05 R=.30 V=.15
실현성 (52%)
실현성 분석
| 기술 복잡도 | / 40 | 핵심 기술 스택의 난이도. low=40, medium=24, high=10 |
| 데이터 접근성 | / 25 | 필요 데이터의 확보 용이성. user_generated=25 → proprietary=4 |
| MVP 일정 | / 20 | 최소 기능 제품 구축 소요 기간. 2주=20, 1개월=12, 3개월=8 |
| API 보너스 | / 15 | 공공 API 활용 가능 시 보너스. 매칭 API가 있으면 가산 |
시장 검증 (53/100)
검증 분석
| 경쟁 분석 | / 20 | 경쟁사 검색 결과 기반. 적절한 경쟁 존재 = 시장 검증 |
| 시장 수요 | / 20 | 검색량, 뉴스 언급 등 프록시 지표. 실제 수요의 간접 증거 |
| 타이밍 | / 20 | 현재 트렌드와의 부합도. 규제/기술 변화 시점 적합성 |
| 수익 참조 | / 15 | 유사 비즈니스 모델의 수익 사례. 실제 과금 레퍼런스 존재 여부 |
| 곡괭이 적합 | / 15 | 곡괭이 전략 부합도. 도구/인프라 제공 관점 적합성 |
| 1인 구축 | / 10 | 혼자서 MVP 구축 가능 여부. 외부 의존성 최소화 정도 |
기술 요구사항
프론트엔드 [high]
백엔드 [medium]
AI/ML [medium]