Team T.O.P — Technology Of Prognosis
PM 김민지 · CM 지승현 · QA 서현준 · ENG1 김태경 · ENG2 김혜현
지도교수 송기원 교수님 | 2026-1 융합캡스톤디자인 I 최종발표 | Ver 1.0.0
🌐 Language: 한국어 | English
📑 본 README는 최종 발표 자료(
deliverables/[T.O.P]Seed_최종발표_v1.0.0.pptx)를 그대로 옮긴 구성입니다. 발표 슬라이드의 목차·흐름을 따라 프로젝트 전체를 한눈에 이해할 수 있도록 작성되었습니다.
| 장 | 내용 | |
|---|---|---|
| 01 | Introduction | 회사 소개 · 조직도 · 프로젝트 소개 · 개발방법론 |
| 02 | Problem | 문제 인식 · 문제 정의 · 해결 방안 |
| 03 | How | Actor 정의 · 개발환경 · System Architecture · Use Case |
| 04 | Outcome | 데이터셋 · 모델 처리 흐름 · 모델 성능 · UI/UX · 시연 · 기대효과 |
| 05 | Artifacts | MS Project · 산출물 현황 · 향후 계획 · 추적성 · GitHub |
| 06 | Reference | 참고문헌 |
| + | Appendix | 키네마틱 지표 · WHO 기준 · 모델 상세 · 데이터셋 · 한계 |
| + | Quick Start | 실행 방법 · 프로젝트 구조 |
T.O.P 는 "Technology Of Prognosis" 의 약자로, 예측 기술 이라는 의미를 담고 있다.
| 역할 | 이름 | 담당 업무 | 개발 파트 |
|---|---|---|---|
| PM | 김민지 | 프로젝트 총괄 · 일정 관리 · 진척도 관리 | 운동성 분석 모델 구현 |
| CM | 지승현 | 개발 환경 표준화 · 산출물 형상 관리 · 소스 코드 통합 | 데이터 수집 및 전처리 |
| QA | 서현준 | 산출물 품질 관리 · 시스템 위험 요소 관리 · 모델 성능 모니터링 | 객체 탐지 모델 구현 |
| ENG1 | 김태경 | 시스템 구조 설계·제작 · 통합 관리 · 성능 개선 | 형태 분석 모델 구현 |
| ENG2 | 김혜현 | 시스템 구조 설계·제작 · 통합 관리 · 성능 개선 | 웹페이지 구현 |
SEED — "Sperm Evaluation and Embryo Development" 의 약자.
AI가 영상 속 정자를 자동으로 검출하고 추적하여, 정자의 상태를 정량적으로 평가 하는 시스템을 구축한다.
제안 → 분석 → 설계 → 구현 → 시험 → 완료
각 단계마다 산출물을 작성하고 검증 절차를 거쳐 다음 단계로 진행한다.
- 전체 불임 원인 중 약 50% 가 남성 요인 또는 복합 요인 — 불임은 여성만의 문제가 아니다.
- 2024년 국내 남성 난임 진단 10만 명 돌파, 증가 속도는 여성보다 빠름.
- 국내 난임 진단자 수 변화(2020 → 2024): 남성 +36.9% · 여성 +28.5%
검사자가 현미경 영상 속 정자를 하나씩 수동으로 관찰하며 상태를 기록하는 방식.
| # | 한계 | 내용 | 결과 |
|---|---|---|---|
| 1 | 검사자 주관 개입 | 숙련도·컨디션에 따라 결과 편차, 동일 샘플도 다른 결과 | → 일관된 평가 어려움 |
| 2 | 긴 분석 시간 | 수백~수천 개 정자를 수동 관찰, 30분~1시간 소요 | → 검사 효율 낮음 |
| 3 | 정량화 한계 | 운동성·궤적 정량화 곤란, 형태 평가는 주관적 기준 의존 | → 객관적 지표 확보 어려움 |
CASA (Computer-Assisted Sperm Analysis) — 현미경 영상과 이미지 분석 알고리즘으로 정액 분석을 자동화한 시스템.
| # | 한계 | 내용 | 결과 |
|---|---|---|---|
| 1 | 형태 분석의 한계 | 형태 판독은 여전히 전문가의 수동·주관적 판단에 의존 | → 시간 소요 및 일관성 문제 |
| 2 | 형태·운동 분리 분석 | 형태와 운동성을 따로 분석, 동일 정자 기준 결과 미제공 | → 통합적 평가가 어려움 |
| 3 | 낮은 접근성 | 고가 장비(3~4만 달러) · 전문 인력 필요 | → 일반 의료기관 도입 제약 |
| 제품 유형 | 대표 제품 | 주요 한계점 |
|---|---|---|
| 국내 즉석 키트 | TENGA Men's Loupe | 정자 농도 확인 위주 · 형태·정액량·pH 측정 불가 |
| 해외 즉석 키트 | YO Home Sperm Test (FDA 승인) | 핵심 지표인 정자 형태 측정 불가 |
| 우편 발송 키트 | Fellow Semen Analysis | 결과 통보 대기 시간 · 형태 등 주요 파라미터 측정 미비 |
| # | 문제 | 내용 | 결과 |
|---|---|---|---|
| 1 | 결과 객관성 부족 | 수동 판독 편차, CASA 형태 판독의 전문가 주관 의존 | → 시간 소요 및 일관성 문제 |
| 2 | 형태·운동성 통합 분석 부재 | 형태·운동성 분리 분석, 동일 정자 객체 통합 분석 부재 | → 단편적 분석으로 종합 평가 한계 |
| 3 | 낮은 접근성 | 고가 장비·전문 인력 필요 | → 일반 의료기관·일반인 사용 제약 |
| # | 기여 | 핵심 기술 | 목표 성능 |
|---|---|---|---|
| 1 | 정량화된 운동성 분석 | YOLO11 정자 탐지 + ByteTrack 추적 + VCL·VSL 등 키네마틱* 산출 | mAP@50 ≥ 0.65 · MAE ≤ 7.0 |
| 2 | 형태·운동성 통합 분석 | EfficientNet-B3 형태 분석 + 운동성·형태 모듈 통합 | 부위별 평균 AUC ≥ 0.72 |
| 3 | 분석 접근성 향상 | 일반 현미경 영상만으로 동작 · 고가 장비 없이 웹 기반 결과 산출 | — |
*키네마틱: 움직임의 특성 — 정자가 얼마나 빠르게, 어떤 경로로, 얼마나 직선적으로, 얼마나 크게 흔들리며 움직이는지를 숫자로 나타낸 값.
| Actor | 상황 | 목표 |
|---|---|---|
| 남성 사용자 | 임신 계획이 있어 불임 여부를 사전에 확인하고 싶은 환자 | 전문 장비·인력 없이 자가 점검 |
| 의료진 | 정액 분석 보조 참고 도구가 필요한 의료진 | 객관적·정량적 수치로 판독 보조 |
| 구분 | 기술 |
|---|---|
| 개발 언어 | Python 3.10 |
| 개발 툴 | JupyterLab · Cursor IDE |
| AI 프레임워크 | PyTorch · Ultralytics (YOLO11) · scikit-learn |
| 웹 · API 서버 | Flask · Gunicorn |
| 외부 배포 | ngrok · Render |
| 버전 관리 | Git · GitHub |
데이터 흐름 관점 — 모듈 매핑:
┌─────────────────────────────────────────────────────────────────┐
│ [입력 계층] 현미경 영상(.mp4/.avi) → 품질 평가 · 영상 정규화 │
│ quality.py · normalizer.py → 640×480 / 50fps │
├─────────────────────────────────────────────────────────────────┤
│ [탐지·추적] YOLO11 정자 탐지 → ByteTrack ID·궤적 복원 │
│ detector.py · tracker.py │
├─────────────────────────────────────────────────────────────────┤
│ [분석 계층] 키네마틱 산출 · 운동성 회귀 · 형태 분류 │
│ casa_features.py · analyzer.py · morphology.py │
├─────────────────────────────────────────────────────────────────┤
│ [해석·출력] WHO 기준 판정 · 신뢰도 점수 · 주석 영상 · 웹 리포트 │
│ interpreter.py · annotator.py · webapp/ │
└─────────────────────────────────────────────────────────────────┘
사용자가 웹에서 현미경 영상을 업로드하면, 서버가 비동기로 분석을 수행하고 운동성·형태·키네마틱 지표와 신뢰도 점수가 담긴 결과 화면을 제공한다.
원본 데이터 총 규모: 영상 105편 (VISEM-Tracking 20 · VISEM 85), 주석 프레임 약 29,000장, 형태 크롭 이미지 1,540장.
| 용도 | 데이터셋 | 제공처 | 데이터 유형 |
|---|---|---|---|
| 객체 탐지·추적 | VISEM-Tracking | SimulaMet · OsloMet (2023) | 현미경 영상(640×480, 50fps) + 바운딩박스·추적 ID |
| 운동성 분석 | VISEM (원본) | SimulaMet · OsloMet (2019) | 현미경 영상 + 운동성 측정값(CSV), 참가자 85명 |
| 형태 분석 | MHSMA | Javadi & Mirroshandel (2019) | 정자 크롭 이미지(128×128) 1,540장 + 4개 부위 레이블 |
- VISEM 계열 — Nature Scientific Data 게재 · CC BY 4.0. 국제 학술대회(MediaEval) 채택 표준 데이터 → 세계 최고 연구와 동일 조건 비교 가능.
- MHSMA — 정자 형태 분석 분야 표준 벤치마크. 비염색·현미경 조건이 실제 분석 영상과 동일.
| # | 단계 | 모델 / 알고리즘 | 역할 |
|---|---|---|---|
| ① | 객체 탐지 | YOLO11 | 프레임별 정자 탐지 |
| ② | 객체 추적 | ByteTrack | 동일 정자 ID·궤적 복원 |
| ③ | 키네마틱 계산 | CASA 지표 산출 | 운동학 지표(VCL/VSL/ALH 등) |
| ④ | 운동성 분석 | Ridge + RandomForest 앙상블 | 전진·비전진·비운동 비율 예측 |
| ⑤ | 형태 분석 | EfficientNet-B3 | 머리·첨체·공포·꼬리 4부위 분류 |
| 항목 | 지표 | 결과 | 목표 | 의미 |
|---|---|---|---|---|
| 운동성 | MAE | 6.90 %p | ≤ 7.0 | 예측 운동성(%)과 실제 측정값의 평균 차이 |
| 객체 탐지 | mAP@50 | 0.677 | ≥ 0.65 | 정자를 올바른 위치에서 정확히 탐지한 비율 |
| 형태 | 평균 AUC | 0.727 | ≥ 0.72 | 정자 부위별 정상/비정상 구분 능력 |
- 운동성 MAE 6.90%p — 동일 조건 선행 연구 motilitAI(7.31%p) 대비 0.41%p 감소 (5-Fold 교차검증 기준).
- 객체 탐지·형태 분석 두 모델 모두 목표치 초과 달성.
📈 모델 버전별 비교·교차검증·도메인 적응 실험 등 상세 평가는
docs/performance.md참고.
① 업로드 화면 → ② 분석 화면 (비동기 진행) → ③ 결과 화면 (지표·주석 영상)
Flask 기반 웹 애플리케이션으로 구현 (webapp/ · app.py).
영상 업로드부터 결과 제공까지의 전체 분석 과정을 웹 데모에서 시연한다.
▶ 이미지를 클릭하면 시연 영상(
docs/images/demo.mp4)이 재생됩니다. (데모 실행 방법은 아래 Quick Start 참고)
| # | 효과 | 내용 |
|---|---|---|
| 1 | 분석 객관성 확보 | 검사자 숙련도·컨디션과 무관한 일관된 결과 · 정량적 수치 기반 객관적 판독 보조 |
| 2 | 통합 분석 실현 | 동일 정자 기준 형태·운동성 동시 평가 → 기존 시스템이 불가능했던 종합적 평가 가능 |
| 3 | 분석 접근성 향상 | 고가 장비 없이 일반 현미경 영상만으로 누구나 분석 가능 → 자가 점검 환경까지 확대 |
폭포수 단계별 일정을 MS Project로 관리하였으며, 최종 진행률 100% 로 완료.
원본 파일: deliverables/[PM]T.O.P_Ms_Project_v1.0.0.mpp
| 단계 | 산출물 | 작성자 |
|---|---|---|
| 제안 | 팀프로젝트편성서 · 로고선정서 · 프로젝트제안서 | PM 김민지 |
| 산출물관리기획서 | CM 지승현 | |
| 분석 | 형상관리계획서 | CM 지승현 |
| 위험관리계획서 | ENG1·ENG2 | |
| 품질관리계획서 · 요구사항심사서 | QA 서현준 | |
| 프로젝트초기개발기획서 | PM 김민지 | |
| 요구사항분석서 | ENG1·ENG2 | |
| 설계 | 기본설계서 · 상세설계서 | ENG1·ENG2 |
| 구현 | 소스코드문서관리서 | CM 지승현 |
| 시험 | 단위시험 계획서·결과서 · 통합시험 계획서·결과서 | QA 서현준 |
| 완료 | 개발완료보고서 | PM 김민지 |
| 사용자메뉴얼 | ENG1·ENG2 | |
| 기타 | 산출물최종양식 | CM 지승현 |
| MS Project | PM 김민지 |
📄 최종 통합 산출물은
deliverables/[CM]T.O.P_통합산출물_v1.0.0.hwp(PDF 동봉)에 보존되어 있습니다.
| # | 방향 | 내용 |
|---|---|---|
| 1 | 처리 속도 향상 | 영상 전처리 병렬화 · 실시간 처리 구현 → 분석 대기 시간 단축 |
| 2 | 저농도 샘플 대응 | 정자 수 < 10개 시 정확도 저하 보완 · 신뢰도 감점 기준 세분화 · 재촬영 가이드 고도화 |
| 3 | 파라미터 확장 | 현재 미측정 항목(농도·총정자수·생존율) 추가 → WHO 6판 대비 분석 완성도 향상 |
프로젝트 전 과정의 일정·산출물·이슈를 MS Teams 기반으로 공유·추적하여 형상 관리와 협업 추적성을 확보하였다.
소스 코드 및 시스템 형상 관리: https://github.com/MoriochoRadio/seed-project
참고문헌 전체 보기 (22편)
- Leslie, S. W., et al. (2024). Male infertility. StatPearls.
- 국민건강보험공단. (2024). 최근 5년간 난임 진단자 현황. 국정감사 자료.
- Liang, Y., et al. (2025). Global, regional, and national prevalence and trends of infertility (1990–2021). Human Reproduction, 40(3), 529–544.
- Bieniek, J. M., et al. (2021). A Novel Approach to Improving the Reliability of Manual Semen Analysis. PMC.
- Siddharth, K., et al. (2023). Interobserver Variability in Semen Analysis. Cureus, 15(10), e46388.
- Barcena, P., et al. (2025). AI approaches to male infertility in IVF: a mapping review. PMC.
- Chawre, S., et al. (2024). A Review of Semen Analysis: Updates From the WHO Sixth Edition Manual. Cureus, 16(6), e63485.
- Mortimer, D., & Mortimer, S. T. (2015). The future of computer-aided sperm analysis. Asian Journal of Andrology, 17(4), 545–553.
- Finelli, R., et al. (2021). The validity and reliability of computer-aided semen analyzers: a systematic review. Translational Andrology and Urology.
- Gonzalez, D., et al. (2021). Clinical Update on Home Testing for Male Fertility. World Journal of Men's Health, 39(4), 615–625.
- Kobori, Y., et al. (2016). Novel device for male infertility screening with single-ball lens microscope and smartphone. Fertility and Sterility, 106(3), 574–578.
- U.S. FDA. (2016). K161493: YO Home Sperm Test (510(k)).
- Samplaski, M. K., et al. (2021). Development and validation of a novel mail-in semen analysis system. Fertility and Sterility, 115(4), 922–929.
- Thambawita, V., et al. (2023). VISEM-Tracking, a human spermatozoa tracking dataset. Data in Brief, 47, 108944.
- Hicks, S. A., et al. (2019). Machine learning-based analysis of sperm videos and participant data for male fertility prediction. Scientific Reports, 9, 16770.
- Javadi, S., & Mirroshandel, S. A. (2019). A novel deep learning method for automatic assessment of human sperm morphology. Computers in Biology and Medicine, 109, 182–194.
- World Health Organization. (2021). WHO laboratory manual for the examination and processing of human semen (6th ed.).
- Zhang, Y., et al. (2022). ByteTrack: Multi-Object Tracking by Associating Every Detection Box. ECCV 2022.
- Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for CNNs. ICML 2019, PMLR 97, 6105–6114.
- Miahi, E., et al. (2019). Genetic Neural Architecture Search for automatic assessment of human sperm images. arXiv:1909.09432.
- Finelli, R., et al. (2021). The validity and reliability of computer-aided semen analyzers. Translational Andrology and Urology, 10(7), 3069–3079.
- Gonzalez, D., et al. (2021). Clinical Update on Home Testing for Male Fertility. World Journal of Men's Health, 39(4), 615–625.
📐 키네마틱 지표 ① — 속도 (정자가 얼마나 빠르고 곧게 움직이나)
| 지표 | 이름 | 정의 | 산출 |
|---|---|---|---|
| VCL | 곡선 속도 | 실제로 지나간 구불구불한 경로의 속도 | 실제 경로 길이 ÷ 시간 |
| VSL | 직선 속도 | 출발점 → 도착점 직선거리 기준 속도 | 직선 변위 ÷ 시간 |
| VAP | 평균경로 속도 | 흔들림을 완만하게 편 평균 경로의 속도 | 평활 경로 ÷ 시간 |
산출 시기: 정자 추적(ByteTrack) 직후 · 단위 µm/s · 50fps 기준
📐 키네마틱 지표 ② — 직진성·흔들림 (어떤 패턴으로 움직이나)
| 지표 | 이름 | 의미 | 산출 |
|---|---|---|---|
| LIN | 직선성 | 경로가 얼마나 곧은가 | VSL ÷ VCL |
| STR | 직진성 | 평균경로 대비 직선 비율 | VSL ÷ VAP |
| WOB | 진동도 | 실제경로 대비 평균경로 | VAP ÷ VCL |
| ALH | 횡변위 진폭 | 좌우로 흔들리는 폭(µm) | 평균경로 대비 좌우 이탈 |
| BCF | 비트교차빈도 | 꼬리가 1초에 좌우 교차(Hz) | 측면신호 영점교차 ÷ 시간 |
| PAW | 평균 횡폭 | 경로의 평균 좌우 폭(µm) | 좌우 이탈량의 평균 |
🏃 운동성 등급 & WHO 기준
| 등급 | 이름 | 설명 |
|---|---|---|
| PR | 전진 운동성 | 앞으로 곧게 잘 나아가는 정자 — 수정에 가장 중요 |
| NP | 비전진 운동성 | 움직이지만 제자리·원형 등 비효율적으로 이동 |
| IM | 비운동성 | 거의 움직이지 않는 정자 |
WHO 정상 기준 — 총 운동성(PR+NP) ≥ 40% · 전진 운동성(PR) ≥ 32%
🤖 AI 모델 4종 & 학습 방식
| # | 역할 | 모델 | 설명 | 학습 방식 |
|---|---|---|---|---|
| 1 | 객체 탐지 | YOLO11 | 작은 정자를 빠르게 찾아 박스 표시 | VISEM-Tracking 영상을 프레임 이미지로 분해 → 정자 박스 지도학습 |
| 2 | 객체 추적 | ByteTrack | 프레임 간 같은 정자에 같은 번호 → 궤적 복원 | 별도 학습 없음 (탐지 박스 연결 규칙 기반) |
| 3 | 운동성 분석 | Ridge + RF 앙상블 | 궤적 특징으로 운동성 % 예측, 두 모델 평균으로 안정화 | 추적 궤적의 키네마틱 특징 → VISEM 임상 운동성 수치(CSV) 회귀 학습 |
| 4 | 형태 분석 | EfficientNet-B3 | 정자 이미지를 보고 4부위 정상 여부 판별 | MHSMA 크롭 1,540장 4부위 분류 + VisemStyleAugment 증강 |
📏 성능 지표의 의미 (mAP · MAE · AUC)
| 지표 | 의미 | 방향 | 본 시스템 |
|---|---|---|---|
| mAP@50 | 정자를 얼마나 정확히 찾았나 (탐지 정확도) | 높을수록 좋음 ↑ | 탐지 0.677 |
| MAE | 예측 운동성%와 실제값의 평균 차이 | 낮을수록 좋음 ↓ | 운동성 6.9 %p |
| AUC | 정상/비정상 구분 능력 (0.5=찍기, 1.0=완벽) | 높을수록 좋음 ↑ | 형태 0.727 |
🔬 형태 분석 — 정자의 4부위
| 부위 | 영문 | 설명 |
|---|---|---|
| 머리 | head | 모양·크기 정상 여부 |
| 첨체 | acrosome | 머리 앞 효소 주머니 — 난자 침투에 필요 |
| 공포 | vacuole | 머리 내부 빈 공간 — 있으면 형태 결함 |
| 꼬리 | tail | 운동을 담당하는 부위 |
정상형태율 — 4부위가 모두 정상인 정자 비율 · WHO ≥ 4% 정상 · 도메인 차이로 참고용
📊 신뢰도 점수 · 영상 정규화 · 5초 분석
신뢰도 점수 (0~100점) — 분석 결과를 얼마나 믿을 수 있나
- 목적: 분석 결과의 신뢰도를 0~100점으로 정량화
- 감점 요인: 정자 수 적음(N<10) · 탐지 불안정 · 추적 짧음
- 활용: 60점 미만이면 '재촬영 권고' 출력
- 예시: 정자 2개만 탐지된 영상 → 신뢰도 50점 → 재촬영 권고
영상 정규화 — 다양한 해상도·프레임률 영상을 학습 도메인(640×480·50fps)에 맞게 자동 변환 → 모델이 일관되게 동작
5초(250프레임) 분석 — 운동성·CASA 통계는 짧은 구간이면 안정적으로 수렴. 임상 CASA도 짧은 필드를 분석 → 속도·일관성 확보
⚠️ 시스템의 한계
| 항목 | 한계 |
|---|---|
| 형태 분석 | 학습↔적용 도메인 차이로 수치는 참고용 (운동성보다 신뢰도 낮음) |
| 저품질·저농도 | 정자 수가 적거나 흐린 영상은 오차 가능 → 신뢰도 점수로 보완 |
| 용도 | 본 시스템은 보조·참고 도구이며 의학적 진단을 대체하지 않음 |
# 1. 레포 클론
git clone https://github.com/MoriochoRadio/seed-project.git
cd seed-project
# 2. 가상환경 생성 및 의존성 설치
conda create -n seed python=3.10
conda activate seed
pip install -r requirements.txt
# PyTorch는 환경에 맞게 별도 설치 (requirements.txt 상단 주석 참고)
# 3. 모델 가중치 준비
# - 운동성/형태 모델은 models/ 에 포함
# - YOLO11 가중치(best.pt)는 Google Drive 자동 다운로드
# (GDRIVE_* 환경변수 설정 후) python setup_models.py
# 4. 웹 데모 실행
python app.py # http://localhost:5000배포는
render.yaml기반으로 Render.com에 구성되어 있다.
seed-project/
├── app.py ← Flask 진입점
├── src/ ← 핵심 분석 모듈
│ ├── detector.py (YOLO11 정자 탐지)
│ ├── tracker.py (ByteTrack 추적 + 운동성 특징)
│ ├── casa_features.py (CASA 키네마틱 지표)
│ ├── analyzer.py (운동성 앙상블 회귀)
│ ├── morphology.py (EfficientNet-B3 형태 분석)
│ ├── interpreter.py (WHO 기준 판정 · 신뢰도)
│ ├── normalizer.py (영상 정규화) · quality.py (품질 평가)
│ ├── annotator.py (주석 영상 생성) · pipeline.py (통합 파이프라인)
│ └── ...
├── webapp/ ← Flask 웹 애플리케이션 (routes · templates · static)
├── models/ ← 학습된 모델 가중치 (운동성 앙상블, 형태 v3)
├── notebooks/ ← 실험·학습 노트북 (01~16)
├── docs/ ← 프로젝트 문서 (architecture · performance · guides)
├── deliverables/ ← 최종 발표 자료 및 공식 산출물 (v1.0.0)
└── data/ ← 데이터셋 (gitignore 처리)
- 시스템 설계 —
docs/architecture.md - 성능 평가 상세 —
docs/performance.md - 사용자 / 운영 가이드 —
docs/USER_GUIDE.md·docs/ADMIN_GUIDE.md - 최종 발표 자료 · 산출물 —
deliverables/
본 프로젝트는 학술 목적의 캡스톤 프로젝트이며, 임상 진단 도구가 아님을 명시한다.
배포 라이선스는 LICENSE(MIT) 참고.
Team T.O.P · Technology Of Prognosis · 2026