토픽모델링을 활용한 실감미디어 분야 국가 R&D 과제 연구 동향 분석

1-1 연구의 배경 및 필요성

실감미디어(Immersive Media)는 인간의 감각기관을 통해 몰입감과 현장감을 제공하는 미디어로, 가상현실(VR), 증강현실(AR), 혼합현실(MR) 등 다양한 형태로 구현되는 차세대 디지털 미디어며 최근 실감 미디어 산업이 빠르게 부상하고 있다. 가상환경을 체계적으로 이해하기 위한 개념적인 틀의 구성요소를 제안한 연구[1], 미디어의 진화와 개념 확장과 관련된[2] 및 메타버스의 정의와 의미에 대한 분석[3] 등을 통해 관련한 선행연구들이 활발히 진행되고 있다. 이러한 기술들은 엔터테인먼트, 교육, 의료, 군사 등 다방면의 산업에서 혁신을 이끌고 있다[4],[5]. 다수의 국가와 글로벌 기업들은 실감미디어 기술의 발전을 기업 및 국가의 핵심역량으로 설정하고[6], 이를 지원하기 위한 다양한 정책과 육성 체계를 마련하고 있다. 국내에서도 실감미디어산업의 중요성이 강조되고 있는 실정에 따라 관련 R&D 투자 확대 및 연구개발의 중장기적인 전략 수립을 위한 방안을 마련하고 있다[7].

그러나 실감미디어 분야의 연구개발 현황을 체계적으로 분석한 연구는 수행되지 않았다. 특히 정책의 복잡성과 기술의 다변화로 인해 데이터 기반의 정책수립이 필수적임에도 불구하고 국가 R&D 동향을 종합적으로 분석하고 진단한 연구의 부족은 국가적 전략 수립과 관련된 의사결정 과정에서 타당한 방향성을 제안하는 데 어려움이 존재한다. 본 연구는 방대한 데이터를 분석하는데 활용성이 높은 텍스트마이닝 기법을 사용하여 연구의 동향을 분석하였고, 실증적인 연구인 국가과제를 분석의 대상으로 하여 실감미디어 연구 분야에 처음으로 적용하였다는 점에서 큰 의미가 있다.

1-2 연구의 목적 및 방법

국가과학기술지식정보서비스(NTIS, National Science & Technology Information Service, 이하 NTIS)는 국가 R&D 기획에서 성과 활용까지 연구 및 개발하는 사람뿐 아니라 과학기술 지식정보에 관심 있는 모든 국민에게 열려있는 개방형 국가과학기술 지식정보 허브이다. NTIS 포털에는 사업, 과제, 인력 성과 등 국가 R&D 사업에 대한 정보와 논문, 특허, 연구과제, 정책 동향 등 과학기술 지식정보를 통합 서비스하는 국가과학기술 지식정보 포털이기에 국가 R&D 과제 분석에 중요한 역할을 할 수 있다[8].

특허나 논문 분석이 기술 발전의 정도와 연구 성과 및 흐름을 파악하는 데 유용한 방법이나[9],[10], 상세한 연구 핵심 내용은 명확히 포함하지 않는 경우가 많고 실질적인 기술의 상용화나 시장 반응에 대한 정보는 부족하다[11]. 반면 국가 R&D 과제데이터는 특정 기술이나 산업에 대한 국가의 전략적 방향성과 자원 배분 현황을 명확하게 드러내며, 이는 단순히 개별 기술의 발전 흐름을 이해하는 것을 넘어, 국가 차원의 연구개발 전략과 정책적 목표를 이해하는 데 필수적인 정보를 제공한다[12]. 특히, 국가 R&D 과제는 연구개발의 초기 단계부터 최종 성과까지 전 과정을 포함하고 있어, 특정 기술의 연구 동향뿐만 아니라 해당 연구 분야의 단계별 연구동향을 파악할 수 있으며[13], 전반적인 발전 경로와 정책적 방향성과 유망 기술탐색에 중요한 역할을 한다[14].

또한, 정보화 시대의 도래와 함께 디지털 데이터의 양이 폭발적으로 증가하고 있음에 따라 이러한 대량의 비정형 데이터들을 분석하고 유의미한 정보를 추출하는데 핵심적인 역할을 하는 텍스트마이닝 기법이 활발히 연구되고 있다[15]. 특히, 연구 동향분석에 있어 텍스트마이닝은 데이터를 기반으로 특정 분야의 연구주제, 핵심 키워드, 연구 발전의 흐름 등을 파악하기 위해 유용하게 사용된다. 이를 통해 연구자들은 최신 연구 동향을 신속하게 파악하고 연구 방향을 설정하는데 중요한 자료로 활용할 수 있다. 따라서 실감미디어 분야의 국가 R&D 과제를 텍스트 마이닝 기법을 사용하여 분석함으로써, 현재 산업의 상태뿐만 아니라 미래 방향성까지 종합적으로 진단할 수 있다. 이러한 분석은 정책 수립과 전략적 결정에서 필수적인 기초 자료로 활용될 수 있으며, 향후 연구개발 방향을 설정하는 데 있어서 중요한 역할을 할 것으로 기대할 수 있다.

본 연구는 이러한 목적과 배경에서 출발하였으며 NTIS 데이터 포털에서 수집 가능한 전체 기간인 2002년부터 2023년까지 22년간 수행된 20,209개의 실감미디어 관련 국가 R&D 과제를 웹 스크래핑 기술을 이용하여 수집하여 실감미디어 분야의 연구 현황을 분석하고자 한다. 본 연구는 토픽모델링의 대표적인 알고리즘인 LDA 기법을 사용하여 토픽을 추출하였고 파악한 주요 단어를 통해 주제를 유추할 수 있는 보조지표로서 주요 단어들과 유사한 단어들을 벡터의 형태로 수치화할 수 있는 Word2Vec 모델을 이용하였다. Coherence Score, Held-out Likelihoodd 와 t-SNE 시각화 분석 결과를 바탕으로 토픽의 수를 결정하였으며 실감미디어 분야의 주요 연구주제를 보다 명확하게 분석하고 국가 R&D 동향을 종합적으로 진단하고자 한다. 이를 통해 실감미디어산업의 미래 방향성을 제시하고, 향후 연구 및 정책 수립을 위한 기초 자료를 제공할 수 있을 것으로 기대한다.

2-1 실감미디어 연구 동향

실감미디어산업은 새로운 개념과 기술의 도입에 따라 다양한 연구가 진행되고 있다. 산업의 초기에는 주로 가상 및 증강현실 기술의 기술적 구현에 초점이 맞춰져 있었으나, 최근 보다 광범위 한 영역에서의 연구가 활발히 진행되고 있으며 다양한 방식으로 선행연구가 진행되었다. 실감미디어의 몰입감을 높이기 위한 선행연구로는, 새로운 영상 매체에 적합한 콘텐츠 제작 기법들에 대한 변화가 시도되고 있다[16],[17]. 시각뿐만 아니라 청각과 후각과 같은 다양한 감각 요소가 사용자에게 보다 나은 현실감을 전달할 수 있다. 그에 따라 구체적인 청각, 후각 정보가 없는 영상에도 시각 외의 다른 감각의 정보를 제공하는 방법에 관한 연구가 제안되었다[18]. 사용자와 미디어 간의 상호작용은 실감 경험의 질을 결정하는 중요한 요소 중 하나이며 이러한 상호작용을 통해 양방향 소통이 원활 해지고, 몰입이 확장되어 양방향 소통을 통한 새로운 경험을 할 수 있다. 이러한 기존의 방식과 차별화된 능동적인 재해석을 경험하는 순간 인지가 변화하는 경험을 할 수 있다[19],[20]. 이뿐만 아니라 다양한 방식의 입력 장치와 관련한 연구가 진행되고 있고 특히 사용자가 가장 편하게 사용할 수 있는 신체를 이용한 제스쳐 인식 방식의 인터페이스 적용과 관련한 많은 연구가 진행되고 있다[21].

2-2 토픽모델링 연구 동향

비정형 데이터는 구조가 정해져 있지 않고 형식이나 패턴이 없는 자유로운 형식의 데이터이며 이미지, 오디오, 비디오, 텍스트 등의 데이터가 이에 속한다. 데이터베이스의 테이블처럼 구조화된 형식을 갖추고 있는 정형 데이터와는 다르게 비정형 데이터 그 자체로는 분석이 어려울 수 있지만, 적절한 분석 기법을 사용하면 유용한 정보와 인사이트를 제공하는 강력한 데이터 자원이 될 수 있다. 텍스트마이닝(Text Mining)은 비정형 텍스트 데이터를 자연어처리기술(Natural Language Processing, NLP)을 통해 분석하여 통계적, 의미론적, 또는 패턴 기반의 정보들을 도출하여 데이터 내에 숨어있는 의미를 찾아가는 기술이다. 특히 텍스트 마이닝은 정보 검색, 감성 분석, 주제 추출, 연구 동향 등 다양한 분양에서 활발히 연구가 진행되고 있다[22].

텍스트 마이닝의 여러 기법 중 토픽모델링은 텍스트 데이터에서 잠재적인 주제, 토픽을 발견하는 기법으로 이 기법을 통해 문서 집합에서 숨겨진 문서 간의 관계를 이해하여 연구의 주제나 트렌드를 파악하기에 효과적이다. 토픽모델링의 대표적인 방법으로는 잠재 디리클레 할당(Latent Dirichlet Allocation, LDA)와 잠재 의미 분석(Latent Semantic Analysis, LSA) 등이 있다. LSA 기법은 문서-단어 행렬을 특이값 분해(Singular Value Decompositionm SVD) 하여 단어의 의미 공간을 축소하는 방식으로 저차원 공간에서 문서와 단어 간의 연관성을 분석한다[23]. 반면 LDA 기법은 주어진 문서 집합은 여러 개의 토픽으로 이루어져 있다고 가정하며, 각 토픽은 단어들의 확률적 분포로 표현된다. 이를 통해 LDA는 각 문서가 특정 주제에 속할 확률 분포를 추정하며, 문서 내 단어들의 분포가 여러 주제에 걸쳐 어떻게 나타나는지 분석할 수 있다[24]. 이 외에도 사전 훈련된 언어모델을 바탕으로 문장이나 문서의 문맥적인 의미를 더 잘 파악할 수 있도록 설계된 BERT(Bidirectional Encoder Representations from Transformers) 모델[25] 및 시간에 따른 토픽의 변화를 추적하는 Dynamic Topic Models 등도 활발히 연구되고 있다[26]. 기존에 연구되지 않았던 실감미디어 분야의 연구 동향 및 연구 방향성을 파악하기 위해 텍스트마이닝 기법과 토픽모델링의 방식을 적용하였다.

3-1 연구 절차

국가 R&D 과제 데이터를 수집하기 위해 NTIS 포털에서 키워드 검색을 통해 과제를 검색하였고 웹 스크래핑 기술을 통해 텍스트 데이터를 수집하였다. 웹 스크래핑은 온라인상의 정보들을 탐색하고 수집하는 작업을 의미하며 Selenium, BeautifuleSoup library를 이용하여 게시글의 html 페이지 소스 분석을 통해 필요한 데이터를 수집하였다. 수집된 한국어 데이터 분석을 위해 KoNLPy library를 이용하여 자연어 분석을 진행하였으며 KoNLPy 가 지원하는 여러가지 형태소 분석기 중 정확도와 분석 속도를 우선 고려하여 Mecab 사전을 선정하여 사용하였다. 수집한 데이터를 구조화, 정제, 정렬 등의 관계형 테이블 형태로 관리하기 위해 Pandas library를 이용하였다. 수집한 텍스트 데이터에서 연구 동향에 활용 할 수 있는 명사를 추출하였고 불용어 사전을 설정하여 분석결과에 노이즈로 영향을 주는 단어들 제외하는 클렌징 작업을 반복해서 수행하며 전반적인 데이터의 전처리 과정을 거쳤다. 본 연구에서는 탐색적 자료 분석의 과정으로 연도별 과제의 수, 연구비의 추세, 미래유망신기술(이하 6T) 관련기술분류 등의 빈도분석을 선행하여 수행한 후 LDA 기반의 토픽모델링과 Word2Vec 임베딩 과정을 통한 키워드와 유사한 단어 분석 등의 기법을 통해서 주요 연구 트렌드 및 방향성에 대해 연구를 진행하였다. 데이터 수집에서 정제 및 분석까지 전체 과정은 python 언어로 알고리즘을 작성하여 분석에 활용하였다. 전반적인 토픽모델링 분석의 흐름도는 그림 1과 같다.

Fig. 1.

Workflow of trend analysis with topic modeling

3-2 연구 방법

4-1 탐색적 자료 분석

수집된 자료는 2002년도에 174건의 과제가 연구되었으며 연구비는 약 967억의 연구비 규모이다. 하지만 2023년도에는 2,291건의 과제가 수행되었으며 그 연구비 규모 또한 1조 2,432억원 수준으로 과제 수와 연구비 모두 급격하게 증가함을 확인할 수 있었다. R&D 과제 특성상 다년간 이어지는 과제인 경우가 다수 수행되고 있으며, 수집한 NTIS 데이터 자료 중 과제비는 연구를 시작하는 첫해 년도 자료로 기록 관리됨을 고려하였을 때 연구비 규모는 더욱 커질 수 있다. 조사 기간동안 수행된 연구과제 수와 연구비 합계는 그림 2와 그림 3으로 그 경향성을 파악할 수 있다.

Fig. 2.

Number of research per year

Fig. 3.

Research fund per year

NTIS 데이터에는 6T 관련기술분류와 국가전략기술분류로 기술을 분류하여 관리하고 있는데 6T 관련기술분류체계는 기술 분야를 포괄적으로 나누어 기술의 발전을 종합적으로 분석하는데 중점을둔다. 따라서 실감미디어 관련 연구 동향을 분석하는 본 연구에 있어 분석에 사용하는 것이 적절하다고 판단 되었다. 6T 분류모델에 따라 과제를 분류하여 경향성을 확인하였을 때 정보기술(IT) 분야가 월등히 빠른 증가 추세를 보였으며 그 뒤를 이어 생명공학(BT) 분야와 문화기술(CT) 분야가 실감미디어 분야에서 활발히 연구되고 있음을 확인할 수 있었다. 과제비 분석과 마찬가지로 다년간 수행되는 과제의 경우 기준년도는 연구 시작 시점으로 관리되는 점을 감안할 때 분류별 비중은 다소 차이가 날 수 있다. 그림 상의 ETC는 6T에 해당하지 않는 과제의 경우를 말한다. 6T 기술분류에 따른 연도별 과제 수는 그림 4에서 그래프로 확인할 수 있다.

Fig. 4.

Number of research per year by 6T classification

가장 최근 연구의 방향성을 파악해 보기 위해 2023년도의 자료를 대상으로 그 비중은 그림 5에서 파이 차트로 확인 할 수 있다. 분야별 연구과제수의 정량적인 수치는 전체 과제 중 약 1,020여개로 전체 과제수의 약 45%의 비중이 IT 관련 과제이었고 BT, CT 관련 과제는 각각 16%, 15% 정도의 비중을 차지함을 확인할 수 있다.

Fig. 5.

Number of Research in 2023 by 6T Classification

문서에서 단어의 중요성을 직관적으로 확인하기 위한 방법으로 단어빈도(TF, Term Frequency)와 역문서 빈도(IDF, Inverse Document Frequency)를 결합한 지표인 TF-IDF를 이용하여 단어의 상대적 중요성을 파악하였다. 단순히 단어가 등장한 빈도만 확인하였을 경우 단어의 빈도가 중요성을 대변한다고 볼 수 없고, 여러 문서에서 등장하는 같은 단어라 할지라도 문서마다 등장 빈도가 다를 수 있기 때문에 서로 다른 문서 간에 단어의 중요성을 비교하기 위해 TF-IDF 방식을 이용하였다. 그리고 그 결과를 그림 6의 WordCloud 방식으로 시각화하였으며 WordCloud 시각화 기법에서 글자의 크기는 해당 단어의 중요도를 나타낸다.

Fig. 6.

Top Word Visualization based on TF-IDF*Word Cloud for Korean-Based Project

4-2 토픽모델링 분석

토픽모델링에서 적절한 주제의 수를 설정하기 위해 토픽의 의미적 일관성을 측정하는 Coherence Score 분석을 하였을 경우 그림 7에서 확인할 수 있듯 8개에서 12개의 토픽 수가 가장 적절할 것으로 예상하였다.

Fig. 7.

Coherence score by topic number

두 번째 지표로서 토픽의 의미적 일관성을 확인하기 위해 Held-out Likelihood 분석을 통해 4개에서 9개의 토픽의 수가 적절한 것으로 판단 되었다. 이 결과는 그림 8을 통해 확인할 수 있다.

Fig. 8.

Held-out likelyhood by topic number

토픽 간의 거리를 시각화하는 방법인 t-SNE 분석 기법을 통해 가장 적절한 토픽의 수는 7개에서 10개 정도 임을 확인 할 수 있었다. 해당 기법을 통해 토픽의 개수에 따른 분포 시각화 결과를 판단할 때는 군집이 분리되지 않고 겹치지 않는 토픽의 수를 선정하였다. 다만 이 분석 기법의 원리상 차원 축소로 인한 정보 손실이 발생하므로 토픽의 수를 결정하기 위한 보조지표로 활용하였다. 토픽의 수가 9개인 경우 t-SNE 시각화의 결과는 그림 9와 같이 확인할 수 있다.

Fig. 9.

Topic modeling visualization w/ t-SNE

다양한 지표들을 활용하여 토픽의 수의 범위를 산정하여 토픽의 수는 7~9개로 판단하였다. 그 후 토픽 수에 따른 각각의 토픽모델링 결과를 확인하며 각 주제를 명확하게 표현하고, 주제 간 곂치는 부분이 적어 해석의 용이성을 고려하여 연구자의 판단으로 최종적으로 토픽의 수는 9개로 선정하였다. 분류된 토픽별 주요 단어들을 기반으로 적절한 주제로서 라벨링을 위해 Word2Vec 기법 중 CBOW(Continuous Bag of Words) 방식을 통해 생성된 단어 벡터를 이용하여 토픽모델링의 결과 도출된 단어들과 벡터공간 상의 거리를 측정한다. 이 때 –1에서 1의 값을 갖는 코사인 유사도를 기반으로 거리를 측정하며 이 결과 값이 클수록 기준 단어와 유사한 단어라고 판단한다. 다만 토픽모델링의 주요 단어들 각각에 대해 유사한 단어를 선정하기 때문에 유사 단어를 채택 함에 있어 토픽의 주제를 잘 설명할 수 있는지 여부를 연구자가 판단하여야 한다.

학습에 사용된 주요 파라미터값은 vertor_size = 200, window = 5, min_count = 5, sg = 0 으로 설정하였다. Word2Vec 그 자체로는 LDA 토픽모델링에 직접적인 영향은 주지 않지만 단어 벡터의 표현력, 품질에 영향을 주어 토픽모델링에서 의미있는 결과를 도출해 내는데 간접적으로 활용된다. 그러므로 연구자는 컴퓨팅파워를 고려한 Word2Vec의 적절한 파라미터 변화 실험을 통해 토픽모델링의 결과를 비교해 보는 과정을 거치는 것이 좋다. 토픽모델링의 결과로 도출된 주요 단어들과 Word2Vec으로 분석한 유사단어들을 포괄적으로 고려하여 각 토픽의 주제를 선정한 결과를 표 1로 확인 할 수 있다.

Table 1.

Table of topics for immersive media research

주제 1의 주요 단어로는 ‘기반’, ‘공간’, ‘정보’, ‘콘텐츠’, ‘서비스’, ‘사용’, ‘플랫’, ‘가상’, ‘실감’, ‘제공’이 있었고 관련된 상위 유사 단어(코사인 유사도 값)들로는 ‘사용자(0.7239)’, ‘인터랙티브(0.6328)’, ‘플랫폼(0.6194)’, ‘창작물(0.5896)’, ‘원자화(0.6026)’, ‘데이터베이스(0.6476)’ 등이 있다. 주제 1의 라벨을 선정하는 과정은 서비스, 기반, 사용자, 인터렉티브, 등의 주요단어와 유사 단어들 중 일부를 복합적으로 고려하여 사용자 경험기반 이라는 주제를 선정하였다. 실감, 창작물, 콘텐츠, 플랫폼 등의 단어를 통해 실감형 컨텐츠를 제공하는 개념의 주제를 선정하였다. 그 결과 주제 1의 라벨은 최종적으로 사용자 경험기반 실감 콘텐츠라고 정하였다. 다른 토픽의 주제들도 동일한 방법으로 선정하였다.

주제 2의 주요 단어로는 ‘공간’, ‘데이터’, ‘정보’, ‘환경’, ‘사용’, ‘모델’, ‘학습’, ‘구조’, ‘방법’, ‘양자’가 있었고 관련된 유사단어들로는 ‘알고리즘’, ‘그래프’, ‘데이터베이스’, ‘모델링’, ‘심층’, ‘추론’, ‘정보’, ‘공간’이 있었다. 데이터와 환경을 기반으로 한 모델링 방법에 초점을 맞추고 있는 것으로 보아 공간데이터 기반 환경 모델링으로 토픽의 라벨을 정하였다.

주제 3의 주요 단어로는 ‘기반’, ‘설계’, ‘제어’, ‘네트워크’, ‘통신’, ‘에너지’, ‘전송’, ‘무선’, ‘제조’, ‘선박’이 있었고 관련된 유사단어들로는 ‘기자재’, ‘송신’, ‘유선’, ‘통신망’, ‘패킷’, ‘공장’, ‘컨트롤’, ‘신재’ 등이 있었다. 이 토픽은 기술적인 부분으로 통신, 에너지, 네트워크 등 강조된 것으로 분석되어 주제 3의 라벨은 통신 및 에너지 전송시스템으로 정하였다.

주제 4의 주요 단어들로는 ‘디지털’, ‘콘텐츠’, ‘구축’, ‘융합’, ‘교육’, ‘산업’, ‘분야’, ‘사업’, ‘양성’, ‘인력’이 있었고 관련된 유사단어들로는 ‘인력’, ‘통합’, ‘혁명’, ‘구축함’, ‘산업’, ‘혁신’, ‘교육’ 등이 있었다. 이 토픽은 디지털 솔루션과 교육의 융합산업을 다루는 것으로 보아 주제 4의 라벨은 디지털 혁신과 교육 서비스로 정하였다.

주제 5의 주요 단어로는 ‘구조’, ‘측정’, ‘효율’, ‘공정’, ‘나노’, ‘광학’, ‘소재’, ‘소자’, ‘물질’, ‘발광’ 등이 있었고 관련된 유사단어들로는 ‘계측’, ‘열처리’, ‘광소자’, ‘공진기’, ‘전계’, ‘화합물’ 등이 있었다. 이 토픽은 부품, 소자, 재료, 광학 등의 원천 기반기술에 중점을 두는 것으로 보아 주제 5의 라벨은 소자, 재료 및 공정 등 기반기술으로 정하였다.

주제 6의 주요 단어로는 ‘설계’, ‘평가’, ‘제작’, ‘로봇’, ‘모듈’, ‘성능’, ‘검증’, ‘자율’, ‘드론’, ‘기관’ 등이 있었고 관련된 유사단어들로는 ‘화질’, ‘이펙터’, ‘모빌리티’, ‘무인기’, ‘프로토타입’, ‘시제품’ 등이 있었다. 이 토픽은 로봇 및 자율, 지동화 시스템의 설계, 제작, 평가와 관련된 측면에 중점을 두는 것으로 보아 주제 6의 라벨은 원격 및 자동화 시스템으로 정하였다.

주제 7의 주요 단어로는 ‘기반’, ‘데이터’, ‘정보’, ‘디지털’, ‘모델’, ‘구축’, ‘스마트’, ‘트윈’, ‘관리’, ‘운영’ 등이 있었고 관련된 유사단어들로는 ‘연계’, ‘알고리즘’, ‘통합’, ‘데이터베이스’, ‘유지관리’, ‘인공지능’, ‘정보’ 등이 있었다. 이 토픽은 디지털 플랫폼, 데이터 분석, 스마트 솔루션의 구축 및 운영에 관한 내용으로 보이며 주제 7의 라벨은 플랫폼 설계 및 유지관리 로 정하였다.

주제 8의 주요 단어로는 ‘영상’, ‘기반’, ‘정보’, ‘차원’, ‘센서’, ‘인식’, ‘알고리즘’, ‘처리’, ‘카메라’, ‘비디오’ 등이 있었고 관련된 유사단어들로는 ‘코덱’, ‘필터링’, ‘라이다’, ‘매칭’, ‘센싱’, ‘고해상도’ 등이 있었다. 이 토픽은 센서를 기반으로 한 정보처리, 객체 인식 알고리즘, 영상기반 기술 관련된 내용을 포함하는 것으로 보아 주제 8의 라벨은 영상데이터 분석 및 처리로 정하였다.

주제 9의 주요 단어로는 ‘영상’, ‘기반’, ‘기능’, ‘변화’, ‘위성’, ‘의료’, ‘자료’, ‘진단’, ‘치료’, ‘환자’ 등이 있었고 관련된 유사단어들로는 ‘협진’, ‘약물’, ‘치과’, ‘임상’, ‘원격탐사’, ‘인공위성’, ‘치료법’, ‘질병’ 등이 있었다. 영상기술을 활용한 원격 탐사기술 관련된 주제일 수도 있지만 영상기술을 활용한 의료 진단, 치료, 모니터랑 과 관련된 내용으로 판단되었다. 주제 9의 라벨은 영상기반 의료 서비스라고 정하였다.