Core Concepts
본 연구는 전문가 레이블링된 데이터셋 없이도 뇌 MRI 스캔에서 임상적으로 관련된 이상을 탐지할 수 있는 자기 지도 학습 기반 텍스트-비전 프레임워크를 제안한다.
Abstract
본 연구는 자기 지도 학습 기반 텍스트-비전 프레임워크를 제안하여 전문가 레이블링된 데이터셋 없이도 뇌 MRI 스캔에서 임상적으로 관련된 이상을 탐지할 수 있는 방법을 제시한다.
이 프레임워크는 두 단계로 구성된다. 첫째, 신경방사선과 보고서 데이터를 활용하여 신경방사선과 특화 언어 모델인 NeuroBERT를 학습시킨다. 이를 통해 보고서의 고정 차원 벡터 표현을 생성한다. 둘째, 합성곱 신경망 기반 이미지 인코더를 학습시켜 개별 뇌 MRI 스캔을 해당 텍스트 벡터 표현에 매핑한다.
학습된 프레임워크는 미보고 뇌 MRI 스캔을 텍스트 쿼리와 유사도 계산하여 이상을 탐지할 수 있다. 이를 통해 자동 분류, 진단 지원 등 다양한 응용이 가능하다. 또한 시각화 기법을 통해 모델의 예측을 설명할 수 있다.
실험 결과, 정상/비정상 분류에서 AUC 0.950, 급성 뇌졸중, 다발성 경화증, 뇌내출혈, 수막종, 수두증 등 5개 특화 분류 과제에서 평균 AUC 0.892를 달성했다. 또한 텍스트 쿼리 기반 이미지 검색에서 평균 정밀도 0.840을 보였다.
본 연구는 전문가 레이블링된 데이터셋 없이도 뇌 MRI 스캔의 이상을 탐지할 수 있는 강력한 프레임워크를 제시한다. 이는 방사선과 업무 부담 경감, 진단 지원 등 다양한 임상적 활용이 가능할 것으로 기대된다.
Stats
정상/비정상 분류 과제에서 앙상블 모델의 AUC는 0.950이었다.
급성 뇌졸중 분류 과제의 AUC는 0.943이었다.
다발성 경화증 분류 과제의 AUC는 0.935이었다.
뇌내출혈 분류 과제의 AUC는 0.890이었다.
수막종 분류 과제의 AUC는 0.882이었다.
수두증 분류 과제의 AUC는 0.810이었다.
텍스트 쿼리 기반 이미지 검색의 평균 정밀도는 0.840이었다.
Quotes
"본 연구는 전문가 레이블링된 데이터셋 없이도 뇌 MRI 스캔의 이상을 탐지할 수 있는 강력한 프레임워크를 제시한다."
"이는 방사선과 업무 부담 경감, 진단 지원 등 다양한 임상적 활용이 가능할 것으로 기대된다."