의료 인공지능 성능 향상을 위한 범용-전문가 협업 모델 GSCo 도입

주장의료 분야에서 범용 기초 모델(Generalist Foundation Model, GFM)은 유연한 활용이 가능하지만, 특정 영역의 지식 처리에는 전문 모델이 더 높은 정확도를 보입니다. 연구진은 이 두 모델의 장점을 결합한 범용-전문가 협업(Generalist-Specialist Collaboration, GSCo) 프레임워크가 의료 진단에 최적화된 해법임을 제시합니다.

팩트연구진은 의료용으로 특화된 오픈소스 범용 기초 모델인 MedDr를 개발했습니다. 또한 특정 하위 작업을 수행하기 위해 경량화된 전문 모델들을 함께 구축하여 전체 시스템을 구성했습니다.

팩트GSCo 프레임워크는 전문 모델이 진단 예측이나 유사 임상 사례 정보를 제공하면, 범용 모델이 이를 바탕으로 최종 진단을 내리는 구조를 취합니다. 이러한 방식은 범용 모델의 확장성과 전문 모델의 정밀함을 동시에 확보합니다.

팩트연구진은 총 32개의 다양한 의료 데이터셋을 대상으로 성능을 평가했습니다. 평가 결과, MedDr는 기존의 최첨단 범용 기초 모델보다 우수한 성능을 보였습니다. 특히 의료 영상 진단 및 보고서 생성 작업에서 GSCo는 기존 모델들을 모두 능가하는 결과를 나타냈습니다.

팩트이번 연구에는 총 45개의 데이터셋이 활용되었습니다. 이 중 28개는 MedDr의 학습에 사용되었으며, 나머지 데이터셋들은 모델의 성능을 평가하는 데 투입되었습니다.

팩트학습에 사용된 주요 데이터셋은 SLAKE, VQA-RAD, Path-VQA, PMC-VQA, MIMIC-CXR, IU-Xray 등입니다. 이는 영상 의학부터 병리학까지 다양한 의료 분야를 포괄하는 데이터 구성입니다.

교차검증연구에 활용된 모든 데이터셋이 공개된 것은 아닙니다. UltraBreast 데이터셋의 경우 환자 개인정보 보호 의무로 인해 일반에 공개되지 않았으며, 이는 향후 연구의 재현성이나 외부 검증 시 제약 요소가 될 수 있습니다.

주장GSCo 프레임워크는 임상 현장에서 범용 기초 모델을 배포하기 위한 효과적이고 계산 효율적인 패러다임을 제공합니다. 이는 의료 인공지능의 확장성을 높이고 다양한 시나리오에서 정밀한 분석을 가능하게 합니다.

팩트연구진은 MedDr와 GSCo의 구현 코드를 깃허브(GitHub)를 통해 오픈소스로 공개했습니다. 관심 있는 연구자들은 해당 저장소에서 관련 기술을 확인할 수 있습니다.

출처Nature Biomedical Engineering에 게재된 "Towards generalizable AI in medicine via Generalist–Specialist Collaboration" 논문을 교차 검증했습니다.