New

헬스케어 인공지능과 머신러닝 [빅데이터를 활용한 개인 맞춤 건강관리]

  • 원서명Machine Learning and AI for Healthcare: Big Data for Improved Health Outcomes (ISBN 9781484237984)
  • 지은이아르준 파네사(Arjun Panesar)
  • 옮긴이고석범
  • ISBN : 9791161754024
  • 35,000원
  • 2020년 03월 20일 펴냄
  • 페이퍼백 | 400쪽 | 188*235mm
  • 시리즈 : 데이터 과학

책 소개

요약

저자는 책에서 자주 언급되는 diabetes.co.uk라는 당뇨병 커뮤니티에서 환자들이 자신의 당뇨를 잘 관리할 수 있도록 도와주는 인공지능 개발 전문가이다. 그 경험을 살려 헬스케어 종사자들과 헬스케어에 관심이 있는 사람들을 위해 헬스케어 인공지능의 이모저모를 어렵지 않게 설명한다.
이야기는 인공지능의 원료가 되는 데이터로 시작한다. 다른 분야와 마찬가지로 헬스케어 분야에서도 엄청난 양의 데이터가 수집되고 있음에 따라 빅데이터의 특징, 소스, 처리 과정, 공유 방법을 다룬다. 전통적인 의료 데이터는 병원에서 수집하고 관리했던 반면 최근에는 다양한 디바이스와 센서에서 데이터를 수집하다 보니 전통과 혁신이 충돌할 수 밖에 없다. 이 책에서는 이러한 문제를 현명하게 해결했을 때 얻을 수 있는 가치를 생각해 보게 한다.
다음은 헬스케어 데이터를 다루는 머신러닝, 인공지능 기술을 살펴본다. 최근에 큰 성공을 거둔 딥러닝을 비롯해 전통적인 회귀 분석에까지 데이터 분석에 쓰이는 알고리즘과 그런 알고리즘의 성능을 측정하는 방법을 설명한다. 알고리즘을 자세히 설명하려면 수학이나 통계학 수식 등을 동원할 수 밖에 없다. 그러나 저자가 그 방법을 피하고 있다 보니 내용이 다소 얄팍해졌다는 느낌을 준다. 처음 접하는 독자들은 아 이런 기술들이 사용되고 있구나 하는 정도로 넘어가도 될 듯 하다.
헬스케어 인공지능은 헬스케어 데이터를 다루기 때문에 그 어떤 분야보다 데이터 윤리가 크게 대두된다. 데이터를 공개, 공유하는 문제부터 데이터 보안 유지 그리고 인공지능 알고리즘의 공정성, 결과의 활용 등 윤리적인 철학과 토론, 합의가 필요함을 강조한다.
인간의 건강은 행복의 요건 가운데 하나이지만, 건강은 개인과 집단, 인류 모두의 노력으로 성취되는 것이다. 의료를 비롯한 헬스케어는 건강을 유지하기 위한 핵심 수단이다. 하지만 양질의 헬스케어를 제공하려면 어마어마한 비용이 든다. 그리고 많은 나라에서 고령화와 같은 변화로 인해 기존의 의료 경제 시스템을 지속할 수 없는 지점에 점점 다가가고 있음을 걱정하고 있다. 이러한 상황에서 헬스케어 인공지능은 지속 가능한 헬스케어 관리 시스템을 위한 수단으로 부각되고 있다. 이 책을 통해 헬스케어 인공지능의 구체적인 예와 가능성을 동시에 생각해볼 수 있다.

이 책의 대상 독자

이해관계자들은 빅데이터와 머신러닝을 사용해 데이터에서 미래를 예측하고, 숨겨진 연관성과 패턴을 발견할 수 있다. 이런 지식을 획득한다는 것은 도적적이고 법적인 결과로 이어질 수 있는데, 이에 대한 리스크를 줄일 수 있는 적절한 관리 방법을 알아본다.

이 책의 구성

헬스케어 영역에서의 인공지능 이론과 실용적인 응용을 다루며, 언제 어떻게 머신러닝을 응용할 수 있는지와 성능을 평가하는 방법을 알려준다. 마지막에는 새롭고 혁신적인 방법으로 인공지능과 빅데이터를 이용하는 시장을 주도하는 헬스케어 기관의 사례를 살펴본다.

저자/역자 소개

지은이의 말

세상이 변하고 있다. 전 세계에는 사람 수보다 많은 스마트폰이 있고, 더 많이 연결되고 있다. 사람들은 가상 비서, 자율 주행 자동차를 사용하고, 디지털 앱을 통해 파트너를 찾으며, 어떤 증상이 있으면 웹을 검색한다. 어떤 디지털 활동은 디지털 배기가스(data exhaust)를 남기고, 이것이 우리가 아는 세상을 데이터화한다. 전 세계에서 인기가 높은 구글, 우버, 알렉사, 넷플릭스와 같은 서비스의 성공은 빅데이터와 빅데이터의 최적화를 바탕으로 한다.
의학도 이런 빅데이터와 인공지능이 주는 장점을 받아들여 왔지만, 적어도 지금까지는 재무, 연예, 교통 등과 같은 영역과 비교하면 빠르게 진화하는 기술의 채택이 느린 분야였다.
최근의 디지털 파괴(digital disruption)는 헬스케어 분야에서 빅데이터와 인공지능의 채택을 촉진시키고 있다. 다양한 종류, 형태, 크기를 가진 데이터가 인공지능 기술에 사용되면서 기계가 학습하고, 적응하며, 학습 능력의 향상을 촉진한다. 학계와 스타트업 진영 모두 더 강력한 건강 관리용 시제품 기술을 개발하고 있다. 기술과 의학의 결합은 스마트폰과 사물 인터넷에 의해 더 가속화되고, 이를 통해 수많은 혁신과 삶의 질 향상을 촉진한다. 건강 관리 기술이 나타남으로써 사람들은 전문 의료인의 도움 없이도 건강을 모니터할 수 있게 됐다. 헬스케어는 이제 모바일의 시대로 접어들었고 더 이상 진료 대기실에서 기다릴 필요가 없어졌다.
데이터가 건강을 증진하는 데 아주 가치가 높은 도구임이 증명되며 정보에 힘이 실리고 있다. 데이터 과학은 헬스케어의 성공과 운영을 떠받치는 기둥이 돼 가고 있다. 디지털 헬스는 헬스케어를 민주화하고 개인 맞춤화하고 있다. 모든 중심에 데이터가 있다. 그러면서 인간 생활의 더 많은 측면을 정량화하고 측정하려는 요구 역시 증가하고 있다.
헬스케어 서비스 제공자, 개인, 기관 모두 머신러닝에 사용 가능한 데이터를 소유하고 있다. 이제 많은 사람이 데이터로 뭔가를 배울 수 있다는 막연한 생각은 갖고 있지만, 학습을 위해 얼마만큼의 데이터가 필요하고 숨겨진 패턴, 트렌드, 편향이 가진 기술적인 측면을 알아내기 전에 무엇을 얻어낼 수 있을지 잘 모르고 있다.
이 책은 빅데이터, 인공지능, 머신러닝에 대한 실용적인 접근법을 택하고, 그런 도구가 가진 도적적인 함의를 다룬다.

지은이 소개

아르준 파네사(Arjun Panesar)

당뇨 디지털 미디어(DDM, Diabetes Digital Media)의 공동 설립자로, 세계에서 가장 큰 당뇨병 커뮤니티를 운영하며, 근거 중심의 디지털 솔루션을 제공하고자 노력해 왔다. 임페리얼 칼리지 런던의 컴퓨팅과 인공지능 학과에서 학사 학위를 받았다. 수년에 걸쳐 빅데이터와 빅데이터가 사용자에게 미치는 영향을 다뤘다. 이 경험을 바탕으로 전 세계의 환자, 의료 기관, 정부 등에게 정밀 의학 헬스케어를 제공할 수 있도록 빅데이터와 머신러닝을 이용해 지
능적이고 근거 중심의 디지털 헬스 솔루션 개발을 주도하고 있다.
수많은 상을 수상했고, BBC, 포브스(Forbes), 데일리 메일(Daily Mail), 타임스(The Times), ITV 등에 소개되는 등 국제적으로 명성이 높다. 현재 셰필드대학교 인포메이션 스쿨의 고문을 맡고 있다.

옮긴이의 말

이 책은 헬스케어 분야의 인공지능 적용에 관련된 여러 가지 측면을 소개하는 개론서다. 완전한 기술서로 보기도 어렵고 그렇다고 고차원의 논쟁만 다루지도 않는다. 그 중간에 있다고 생각하면 좋을 듯 하다.
인공지능은 이미 그리고 앞으로 더욱더 모든 사람들의 일상에 영향을 줄 것이다. 어떤 사람은 의학의 역사를 인공지능 이전(BA, Before AI)과 인공 지능 이후(AA, After AI)로 나눠질 것이라고 주장하기도 한다. 인공지능은 일상뿐만 아니라 회사와 기관에서 사람들이 일하는 방식에도 영향을 주고 있다. 의료와 같은 전문 영역도 마찬가지다. 알파고가 이세돌 9단에게 이기는 것을 목격하고, 파괴적 혁신 기술이 전통적인 일자리에 영향을 주기 시작하면서 일반 사람들도 이전보다는 인공지능에 대한 관심이 높아졌다. 또 혁신의 대상이 자신이 될 수도 있다는 불안감을 안고 살아간다.
개인적으로 컴퓨터를 공부하게 된 계기는 병원의 낮은 생산성 때문이었다. 수많은 전문가가 그렇게 열심히 일을 하고, 병원 당국은 많은 자금을 투자하고, 환자와 가족도 건강을 회복하기 위해서 기꺼이 많은 희생을 함에도 불구하고, 의료 서비스에 만족하는 참여자는 찾기가 어려웠다. 내가 보기에는 컴퓨터가 그 답을 줄 것으로 보였다. 그래서 의료와 ICT 중간 지점을 찾고자 노력해왔다.
이 책은 헬스케어 인공지능 기술과 응용 사이에 있는 이야기를 한다. 그래서 전문 의료인이 보기에는 컴퓨터 기술서처럼 보일 수 있고, 전문 컴퓨터 엔지니어가 보기에는 새로운 기술은 소개하지 않으면서 의료 인공지능을 적용하는 방법을 다루는 다소 뜬구름 잡는 이야기로 보일 수 있다. 내가 틈새의 중간 지점을 찾아가는 탐구자 입장이어서 그럴 수도 있겠지만, 진정 중요한 것은 중간 지대에 있다고 본다. 인공지능을 이해하는 의료인과 의료를 이해하는 인공지능 전문가가 하나의 언어로 이야기 할 수 있을 때 혁신은 일어날 것이다. 그런 이야깃거리를 준다는 데 이 책의 가치가 있다고 본다.
처음 번역 제안을 받았을 때 이 책에 대한 불만은 컴퓨터 코드가 없다는 것이었다. 구체적이지 않고 추상적인 이야기만 있을 것 같다는 걱정이 있었다. 그런데 내용을 훑어보니 코딩을 하는 사람들에게 단점일 수 있지만, 의료 인공지능에 입문하려는 사람들에게는 더 나을 수도 있겠다 싶었다. 이 책에서도 나오지만 데이비드 월퍼트가 이야기한 머신러닝에서의 “No free lunch(공짜 점심은 없다)” 원리는 여기서도 적용되는 것 같다. 모든 상황에 만족하는 머신러닝 모델이 없듯이 모든 독자를 만족시키는 기술서도 없어 보인다. 그렇지만 특정 문제에 적합한 더 나은 모델이 존재하는 것처럼, 특정 주제와 목적의 책은 분명 존재한다. 이 책을 의료 인공지능의 안내서로 본다면 분명 소임을 다하고 있다고 생각한다. 아쉬웠던 코딩이라는 구체성은 후속 번역을 통해 소개하고자 한다.
보잘것없는 번역이지만 의료 인공지능 분야에 조금이라도 도움이 됐으면 하는 바람이다. 편협한 생각일지 모르지만 미래의 의료는 인공지능 의학이 주를 이룰 것이다. 의학 연구는 물론이고 환자의 진단, 치료, 재활, 나아가 건강한 사람을 대상으로 한 예방 영역에 인공지능 의학이 깊숙이 파고들 것이다. 그래서 학계는 물론 개원의, 봉직의, 의료 행정가들도 인공지능 의학에 관심을 가져야 할 것으로 보인다.

옮긴이 소개

고석범

가톨릭대학교 의과대학을 졸업한 신경과 전문의다. 10여 년 동안 병원에서 신경과 진료를 했다. 병원 근무 당시 병원 생산성에 대한 고민을 하다 컴퓨터의 중요성을 깨닫고 코딩을 시작했다.
저술서로 『R과 Knitr를 활용한 데이터 연동형 문서 만들기』(에이콘출판, 2014), 『통계 분석 너머 R의 무궁무진한 활용』(에이콘출판, 2017), 『R Shiny 프로그래밍 가이드』(한나래아카데미, 2017) 등이 있고, 번역서로 『R과 Shiny 패키지를 활용한 웹 애플리케이션 개발』(에이콘출판, 2014), 『Data Smart』 (에이콘출판, 2015) 등이 있다.

목차

목차
  • 1장. 인공지능
    • 다학제적인 과학
    • 인공지능 검토
      • 반응성 기계
      • 이성적으로 생각하고 사고하는 제한된 메모리 시스템
      • 사람과 같이 사고하는 마음 이론 시스템
      • 사람과 다름없이 자각하는 인공지능 시스템
    • 머신러닝이란?
    • 데이터 과학이란?
    • 실시간 빅데이터에서 학습
    • 헬스케어 분야에서 인공지능의 응용
      • 예측
      • 진단
      • 맞춤 치료와 행동의 변화
      • 신약 개발
      • 추적 돌봄
    • 헬스케어에서 인공지능의 가능성 현실화
      • 간극의 이해
      • 단절된 데이터
      • 적절한 데이터 보안
      • 데이터 거버넌스
      • 편향
    • 소프트웨어
    • 결론

  • 2장. 데이터
    • 데이터란?
    • 데이터의 형태
    • 빅데이터
      • 데이터양
      • 다양성
      • 속도
      • 가치
      • 정확성
      • 타당성
      • 가변성
      • 시각화
    • 작은 데이터
    • 메타데이터
    • 헬스케어 데이터: 작은 또는 큰 사용 사례
      • 대기 시간 예측
      • 재입원 줄이기
      • 예측 분석
      • 전자의무기록
      • 가치 기반 케어/참여
      • 헬스케어 사물 인터넷: 실시간 알림, 경고문 발송, 자동화
      • 근거 증심 의학으로 이동
      • 공중 보건
    • 데이터 진화와 애널리틱스
    • 데이터를 정보로 변환: 빅데이터 사용
      • 기술적 애널리틱스
      • 진단적 애널리틱스
      • 예측 애널리틱스
      • 처방적 애널리틱스
    • 추론
      • 연역
      • 귀납
      • 귀추
    • 나의 프로젝트에 얼마나 많은 데이터가 필요할까?
    • 빅데이터의 난관
      • 데이터의 증가
      • 인프라스트럭처
      • 전문가
      • 데이터 소스
      • 데이터의 질
      • 보안
    • 저항
    • 정책과 거버넌스
    • 단절화
    • 데이터 전략의 부재
    • 시각화
    • 분석 시간의 고려
    • 윤리
    • 데이터 거버넌스와 정보 거버넌스
      • 데이터 관리
      • 데이터의 질
      • 데이터 보안
      • 데이터의 이용 가능성
      • 데이터의 내용
      • 마스터 데이터 관리
      • 사용 사례
    • 빅데이터 프로젝트 배치
    • 빅데이터 도구
    • 결론

  • 3장. 머신러닝
    • 기초
      • 에이전트
      • 자율성
      • 인터페이스
      • 성능
      • 목표
      • 효용
      • 지식
      • 환경
      • 훈련 데이터
      • 타깃 함수
      • 가설
      • 학습자
      • 검증
      • 데이터셋
      • 특징
      • 특징 선택
    • 머신러닝이란?
    • 머신러닝이 전통적인 소프트웨어 엔지니어링과 다른 점
    • 머신러닝의 기초
      • 지도학습
      • 비지도학습
      • 준지도학습
      • 강화학습
      • 데이터 마이닝
      • 모수적, 비모수적 알고리즘
    • 머신러닝 알고리즘의 작동법
    • 머신러닝을 수행하는 방법
      • 문제 명시
      • 데이터 준비
      • 학습법의 선택
      • 머신러닝법의 적용
      • 방법과 결과 평가
      • 편향과 분산
      • 최적화
      • 결과 보고

  • 4장. 머신러닝 알고리즘
    • 머신러닝 프로젝트 정의
      • 과업(T)
      • 성능(P)
      • 경험(E)
    • 머신러닝에 자주 사용되는 라이브러리
    • 지도학습 알고리즘
      • 분류
      • 회귀
    • 의사 결정 트리
      • ID3(Iterative Dichotomizer 3)
      • C4.5
      • CART
    • 앙상블
      • 배깅
      • 부스팅
    • 선형 회귀
    • 로지스틱 회귀
    • 서포트 벡터 머신
    • 나이브 베이즈
    • k-최근접 이웃(kNN)
    • 신경망
      • 퍼셉트론
      • 인공신경망
    • 딥러닝
      • 피드포워드 신경망
      • 순환 신경망: 장단기 메모리
      • 컨볼루션 신경망
      • 모듈 신경망
      • 방사형 기저 신경망
    • 비지도학습
      • 클러스터링
      • K-평균
      • 연관 법칙
    • 차원 축소 알고리즘
    • 차원 축소 기술
      • 누락된 값/결측값
      • 낮은 분산
      • 높은 상관
      • 랜덤 포레스트 의사 결정 트리
      • 백워드 특징 제거
      • 포워드 특징 구성
      • 주성분 분석
    • 자연어 처리(NLP)
    • 자연어 처리 시작
    • 전처리: 어휘 분석
      • 노이즈 제거
      • 어휘 정규화
      • 포터 어간 추출
      • 객체 표준화
    • 구문 분석
      • 의존성 파싱
      • 파트오브스피치 태깅
    • 의미 분석
    • 자연어 처리에 사용되는 기술
      • N-그램
      • 단어 빈도-역문서 빈도 벡터
      • 잠재 의미 분석
      • 코사인 유사도
      • 나이브 베이즈 분류자
    • 유전 알고리즘
    • 머신러닝의 모범 사례와 고려할 점
      • 좋은 데이터 관리
      • 기준이 될 기초 성능 지표
      • 데이터 정제에 들이는 시간
      • 훈련 시간
      • 적절한 모델의 선택
      • 적절한 변수의 선택
      • 불필요한 데이터
      • 과적합
      • 생산성
      • 이해도
      • 정확도
      • 거짓 음성의 영향
      • 선형성
      • 파라미터
      • 앙상블
    • 사례: 제2형 당뇨병

  • 5장. 지능을 위한 학습 성과 평가
    • 모델 개발과 작업 과정
      • 모델을 평가하는 두 가지 접근법이 있는 이유
      • 평가 지표
    • 비대칭 데이터셋, 변칙 값, 희소 데이터
    • 파라미터와 하이퍼파라미터
    • 하이퍼파라미터 튜닝
    • 하이퍼파라미터 튜닝 알고리즘
      • 그리드 서치
      • 랜덤 서치
    • 다변량 테스팅
      • 어떤 지표를 평가에 사용해야 하는가?
      • 상관은 인과와 다르다
      • 얼마만큼의 차이가 정말로 중요한 차이인가?
      • 검정법, 통계적 검증력, 효과 크기
      • 보고자 하는 성능 지표의 분포 확인
      • 적절한 p 값 결정
      • 얼마나 많은 관측 값이 필요한가?
      • 얼마나 오랫동안 다변량 테스팅을 실행해야 하는가?
      • 데이터 분산
      • 분포 이동 알아내기
      • 모델의 변경 내용 기록

  • 6장. 인공지능의 윤리
    • 윤리란?
      • 데이터 과학 윤리학이란?
      • 데이터 윤리학
    • 고지에 입각한 동의
    • 선택의 자유
    • 데이터에 대한 동의가 항상 절대적 기준인가?
    • 대중의 이해
    • 데이터는 누구의 소유인가?
    • 데이터는 어떤 목적으로 사용될 수 있는가?
    • 프라이버시: 누가 나의 데이터를 볼 수 있는가?
    • 데이터가 어떻게 미래에 영향을 미칠까?
      • 치료 우선순위 결정
      • 새로운 치료와 관리법 결정
      • 더 많은 실제 생활 증거
      • 약물 개발 능력 향상
    • 연결을 통한 치료법의 최적화: 한계가 있을까?
    • 보안
    • 인공지능과 머신러닝의 윤리학
      • 기계의 편향
      • 데이터 편향
      • 사람에 의한 편향
      • 지능 편향
      • 편향 수정
      • 편향은 나쁜 것인가?
    • 예측의 윤리학
      • 예측 설명
      • 실수에 따른 보호
      • 타당성
      • 알고리즘이 비도덕이지 않게 예방
      • 의도하지 않은 결과
    • 복잡하고 지능적인 시스템의 주도권을 인간이 유지하는 방법
    • 지능
    • 건강 지능
    • 누가 책임을 지는가?
    • 최초 문제
    • 공정함 정의
    • 어떻게 기계가 우리의 행동과 상호 교류에 영향을 주는가?
      • 인간성
      • 행동과 중독
      • 경제와 고용
    • 미래에 대한 영향
    • 신처럼 행동하기
    • 과대광고와 세상을 시끌 법석하게 만들기
    • 이해관계자의 수용과 정렬
    • 정책, 법률, 규제
    • 데이터와 정보 거버넌스
    • 너무 많은 정책의 단점
    • 글로벌 표준과 제도
    • 인공지능을 인류로 취급해야 하는가?
    • 기관 내부에서 데이터 윤리학 적용
      • 윤리 강령
      • 윤리 프레임워크 고려
    • 데이터 과학자를 위한 히포크라테스 선서
    • 프레임워크 감사

  • 7장. 헬스케어의 미래
    • 양에서 질로 이동
    • 근거 중심 의학
    • 맞춤 의학
    • 미래의 비전
    • 연결된 의학
      • 질병과 상태 관리
      • 가상 비서
      • 원격 모니터링
    • 약물 순응도
    • 접근 가능한 진단 검사
    • 스마트 임플란트
    • 디지털 건강과 치료법
    • 교육
    • 웰니스에 대한 인센티브
    • 인공지능
      • 기록에 대한 데이터 마이닝
      • 대화형 인공지능
      • 더 좋은 의사 만들기
      • 맞춤형 보조기
    • 가상현실과 증강현실
      • 가상현실
      • 증강현실
      • 융합현실
      • 통증 관리
      • 물리 치료
      • 인지 재활
      • 간호와 수련
      • 가상 진료와 수업
    • 블록체인
      • 공급망 검증
      • 웰니스에 대한 인센티브
      • 환자 데이터 접근
    • 로봇
      • 로봇 수술
      • 외골격 로봇
      • 입원 환자 케어
      • 동무되기
      • 드론
    • 스마트 장소
      • 스마트 홈
      • 스마트 병원
    • 환원주의
    • 혁신 대 숙의

  • 8장. 사례 연구
    • 사례 연구의 선정
    • 사례 연구의 선정 결과
    • 사례 연구: 당뇨 발 관리용 이미징 인공지능 및 이환율과 사망률을 개선하기 위한 의료 전달 체계에 대한 우선순위 결정
      • 배경
      • 인지적 시각
      • 프로젝트 목표
      • 도전 과제
      • 결론
    • 사례 연구: 제2형 당뇨병 자기 관리를 위한 디지털 저탄수화물 프로그램의 결과: 단일군 종단 연구 1년 추적 결과
      • 배경
      • 목적
      • 방법
      • 결과
      • 관찰된 현상
      • 결론
    • 사례 연구: 확장 가능하고 참여를 유도하는 뇌전증 디지털 치료법
      • 배경
      • 근거 중심 적용
      • 센서 기반 디지털 프로그램
      • 연구
      • 프로젝트 영향
      • 예비 분석
    • 사례 연구: 새로운 증강 및 가상현실을 이용한 주니어 의사 교육 프로그램의 결과
      • 배경
      • 목표
      • 프로젝트 설명
      • 결론
    • 사례 연구: 빅데이터, 큰 영향, 큰 윤리: 데이터로 환자 위험도 진단
      • 배경
      • 플랫폼 서비스
      • 약물 순응도, 효능과 약물에 대한 부담
      • 커뮤니티 포럼
      • 인공지능을 사용한 환자 상호작용에 대한 우선순위 결정
      • 실세계 근거
      • 예측 분석의 윤리적인 함의
      • 사물 인터넷의 통합
      • 결론

  • 기술 용어 설명

도서 오류 신고

도서 오류 신고

에이콘출판사에 관심을 가져 주셔서 고맙습니다. 도서의 오탈자 정보를 알려주시면 다음 개정판 인쇄 시 반영하겠습니다.

오탈자 정보는 다음과 같이 입력해 주시면 됩니다.

(예시) p.100 아래에서 3행 : '몇일'동안 -> 며칠동안