대규모 언어 모델과 비전-언어 모델(VLM)을 포함한 파운데이션 모델은 효율적이고 확장 가능하며 다중 모드 학습을 통해 인공지능 분야에 혁신을 가져왔습니다. 이러한 모델은 자기 지도 및 준 지도 학습의 발전을 활용하여 컴퓨터 비전과 자연어 처리를 통합함으로써 질병 분류, 분할, 교차 모드 검색, 자동 보고서 생성과 같은 복잡한 작업을 해결합니다.
의료 분야에서 파운데이션 모델은 다양한 의료 영상 모달리티 정보와 방사선 보고서 및 임상 기록의 텍스트 데이터를 결합하여 중요한 문제를 해결합니다. 이러한 통합은 진단 워크플로우를 간소화하고 정확도를 높이며 견고한 의사 결정을 가능하게 하는 도구 개발로 이어졌습니다.
본 리뷰는 2022년부터 2024년까지 의료 VLM의 최신 발전을 체계적으로 검토하며, 의료 영상 분야의 모달리티별 접근 방식과 맞춤형 응용에 중점을 둡니다. 주요 기여는 기존 모델을 분류하기 위한 구조화된 분류 체계, 훈련 및 평가에 필수적인 데이터셋에 대한 심층 분석, 그리고 실제 응용 사례 검토를 포함합니다.
이 연구는 또한 현재 진행 중인 과제를 다루고 의료 분야에서 파운데이션 모델의 접근성과 영향력을 높이기 위한 미래 방향을 제시합니다.
본 연구는 의료 영상 진단 시 AI 모델의 투명성과 진단 정확도를 높이기 위해 새로운 Pixel-Level Interpretability(PLI) 모델을 제안한다. 기존 Grad-CAM 모델의 한계를 극복하고, 더욱 세밀한 해석력과 정밀한 병변 위치 파악을 목표로 한다.
연구 방법론으로 VGG19 CNN 아키텍처를 활용했으며, 1,000개 이상의 레이블링된 COVID-19 흉부 X선 공개 데이터셋 3종을 사용했다. 데이터는 크기 조정, 정규화, 증강을 거쳐 모델의 견고성과 일반화 능력을 확보했다. PLI 모델의 성능은 Grad-CAM과 비교하여 해석력, 구조적 유사성(SSIM), 진단 정밀도, 평균 제곱 오차(MSE), 계산 효율성 등의 핵심 지표로 평가되었다.
실험 결과, PLI는 모든 측정 지표에서 Grad-CAM보다 우수한 성능을 보였다. PLI는 더 높은 SSIM 점수, 낮은 MSE, 빠른 추론 시간을 가진 상세한 픽셀 수준 히트맵을 생성하여, 계산 효율성을 유지하면서 국소 진단 특징에 대한 미세한 통찰력을 제공했다. 반면, Grad-CAM의 설명은 임상적 신뢰성에 필요한 세밀함이 부족했다.
퍼지 로직을 통합하여 시각적 및 수치적 설명을 강화한 PLI는 임상 기대치에 부합하는 해석 가능한 출력을 제공함으로써 의료진이 더 높은 신뢰도로 정보에 입각한 결정을 내릴 수 있도록 돕는다. 이 연구는 PLI가 AI 모델 투명성과 임상적 유용성 간의 격차를 해소하는 강력한 도구임을 입증하며, 의료 분야 AI 통합을 발전시키고 다른 고위험 분야로의 광범위한 적용을 위한 기반을 마련한다.
