CT 한 장면과 판독문을 함께 읽는 사전학습은 확장성이 높지만, 한 번의 전체 스캔-보고서 대응만으로는 장기마다 다른 근거가 섞여 보이기 쉽다. 펜실베이니아대와 예일대 연구진은 이런 한계를 겨냥해, 장기별 방사선학적 패턴을 중간 단위로 삼는 OCP-CT를 제안했다. 이 논문은 아직 동료검토 전 arXiv 프리프린트다.
핵심은 기존의 전역 CT-보고서 대비 학습을 유지하면서, 장기 조건부 패턴 토큰 경로를 추가한 점이다. 이미지와 텍스트 토큰은 희소 Mixture-of-Experts를 거쳐 패턴별 변환 경로를 타고, 학습 가능한 슬롯이 이를 일정 개수의 연속 패턴 토큰으로 압축한다. 이후 짝지어진 패턴 토큰 사이의 대비 학습과 보고서에서 파생한 임상 유사도 기반의 구조화된 소프트 타깃이 함께 쓰인다.
| 구성/지표 | 값 | 근거 위치 |
|---|---|---|
| 제로샷 이상 진단 AUROC | CT-RATE 84.5%, RAD-ChestCT 69.9% | Table I |
| CT-RATE 검색 | Img2Img MAP@5/10/50 = 70.7/61.0/53.5; Rpt2Img Recall@5/10/50/100 = 7.4/12.4/34.3/48.6 | Table II |
| 전역 분기만 제거한 ablation AUROC | 76.41 | Table III |
| 장기군별 평균 AUROC 향상 | lung 8.9, heart 5.4, aorta 3.7, esophagus 8.0, other 9.6 points | Fig. 3 |
자료: STORIUM 정리
실험은 공개 CT-RATE와 RAD-ChestCT에서 진행됐다. 제로샷 이상 진단에서 OCP-CT의 평균 AUROC는 CT-RATE 84.5%, RAD-ChestCT 69.9%였다. 원문은 최강 이전 보고 결과와 비교해 AUROC 절대 향상이 각각 6.7, 0.8 percentage points라고 적었다. 같은 표에서 CT-RATE의 정확도는 78.1%, F1은 80.3%, precision은 44.5%였고, RAD-ChestCT는 정확도 65.2%, F1 69.7%, precision 47.0%였다.
비교 지표가 더해진 CT-RATE 검색에서도 개선이 확인됐다. 이미지-이미지 검색 MAP@5/10/50은 70.7/61.0/53.5, 보고서-이미지 검색 Recall@5/10/50/100은 7.4/12.4/34.3/48.6이었다. 원문은 가장 가까운 비교군보다 이미지-이미지 검색에서 2.4, 3.8, 4.6점, 보고서-이미지 검색에서 4.5, 7.4, 16.3, 19.9점 높았다고 밝혔다.
아블레이션에서는 장기 조건부 경로를 제거한 전역 분기만으로 AUROC가 76.41로 떨어졌고, 희소 패턴 라우팅 제거 시 83.35, 패턴 토큰 슬롯 제거 시 83.71, 짝지어진 토큰 대비 제거 시 82.30, 구조화된 소프트 타깃 제거 시 81.24로 내려갔다. 이는 장기별 패턴 경로와 그 위의 토큰 대비, 그리고 완화된 음성 정의가 모두 최종 전역 표현에 기여했음을 보여준다.
연구진은 CT-RATE 진단에서 장기군별 평균 AUROC 향상도 함께 제시했다. 폐 8.9점(n=11), 심장 5.4점(n=3), 대동맥 3.7점(n=1), 식도 8.0점(n=1), 기타 9.6점(n=2)로, 향상이 특정 장기 하나에만 몰리지 않았다고 해석했다. 한편 내부적으로는 보고서 기반 엔티티 추출, 장기 할당, 위치 파싱, 속성 정규화의 오류가 구조화 타깃에 영향을 줄 수 있다고 제한을 명시했다.
저작권자 © STORIUM 무단전재 및 재배포 금지
