의료 영상의 의미론적 분할은 질병 진단 및 치료 계획 수립에 필수적입니다. 딥러닝은 이 작업을 효과적으로 자동화하지만, 주석이 달린 분할 마스크의 희소성으로 인해 초저데이터 환경에서는 어려움을 겪습니다. 본 연구는 이러한 문제를 해결하기 위해 고품질 영상-마스크 쌍을 보조 훈련 데이터로 생성하는 생성 딥러닝 프레임워크를 제안합니다.
기존 생성 모델이 데이터 생성과 모델 훈련을 분리하는 것과 달리, 본 프레임워크는 다단계 최적화를 통해 종단간 데이터 생성을 수행합니다. 이는 분할 성능이 생성 과정을 유도하여, 분할 결과 개선에 최적화된 데이터를 생산하도록 합니다.
제안된 방법은 11가지 의료 영상 분할 작업과 19개 데이터셋에 걸쳐 강력한 일반화 성능을 입증했습니다. 이는 다양한 질병, 장기 및 모달리티를 포괄하며, 동일 도메인 및 외부 도메인 설정 모두에서 성능을 10~20% (절대값) 향상시키고, 기존 접근 방식보다 8~20배 적은 훈련 데이터를 요구합니다.
이러한 결과는 데이터가 제한적인 의료 영상 시나리오에서 딥러닝의 실현 가능성과 비용 효율성을 크게 높여줍니다.
생성 인공지능(AI)은 인간의 업무 방식에 혁신을 가져오며 생산성 향상에 기여하고 있습니다. 그러나 AI가 새로운 기술 습득, 즉 학습에 미치는 영향은 중요한 미해결 과제입니다. 장기적인 생산성, 특히 AI의 오류 가능성을 고려할 때 사용자의 학습은 필수적입니다. 본 연구는 고등학생을 대상으로 한 현장 실험을 통해 생성 AI 튜터가 학습에 미치는 영향을 탐구했습니다.
거의 천 명의 고등 수학 학생들에게 두 가지 유형의 생성 AI 튜터에 대한 접근 권한을 제공했습니다. 하나는 일반적인 ChatGPT 인터페이스를 모방한 'GPT Base'이고, 다른 하나는 학습을 보호하도록 설계된 프롬프트를 포함한 'GPT Tutor'입니다. 이를 통해 도구 설계가 학습에 미치는 차별적인 영향을 분석했습니다.
연구 결과, GPT-4 접근이 문제 해결 능력 향상에 크게 기여함이 확인되었습니다 (GPT Base는 성적 48%, GPT Tutor는 127% 향상). 그러나 AI 접근 권한이 없어진 후에는 GPT Base를 사용했던 학생들이 AI를 전혀 사용하지 않은 학생들보다 성적이 17% 하락하는 역효과가 나타났습니다. 이는 무제한적인 생성 AI 접근이 교육적 성과에 해를 끼칠 수 있음을 시사합니다.
GPT Tutor에 적용된 안전장치는 이러한 부정적인 학습 효과를 상당 부분 완화했습니다. 안전장치가 없을 경우, 학생들은 연습 문제 풀이 시 GPT-4를 '보조 도구'로만 활용하려 했고, 결과적으로 스스로 문제를 해결하는 능력은 저하되었습니다. 따라서 의사결정권자들은 기술 학습과 장기적인 생산성을 보존하기 위해 생성 AI 배포 시 설계 선택에 신중해야 합니다.
