CARDEA, 관상동맥 조영술 AI의 추론을 감사 가능하게 만들다

침습적 관상동맥 조영술은 관상동맥질환을 평가하는 중요한 검사지만, 영상 판독은 관찰자에 따라 달라질 수 있습니다. 기존 AI 시스템은 최종 분류나 점수를 제시해 일관성을 높일 수 있지만, 어떤 혈관 부위를 근거로 판단했는지는 잘 보여주지 않습니다. 이런 불투명성은 의료진이 결과를 직접 검증하고 신뢰하는 데 걸림돌이 됩니다.

CARDEA는 이 문제를 해결하기 위해 설계된 통합 대형 비전-언어 모델입니다. 모델은 최종 답변을 내기 전에 판단과 관련된 여러 이미지 영역을 추론 과정에 연결하도록 학습됩니다. 연구진은 이 방식을 Chain-of-Box(CoB)라고 부릅니다. 텍스트 추론뿐 아니라 바운딩 박스로 시각적 근거를 표시하기 때문에, 의료진은 모델이 어디를 보고 결론을 내렸는지 확인할 수 있습니다. 다만 특정 영역을 표시했다는 사실만으로 설명의 의학적 정확성이 보장되는 것은 아닙니다.

핵심 내용

• 3단계 학습: 먼저 관상동맥 조영술의 시각 특징을 정렬하고, 자기 증류로 CoB 추론 데이터를 만들어 콜드 스타트를 수행했습니다. 마지막으로 검증 가능한 보상을 사용하는 강화학습을 적용해 과제 정답과 박스 기반 추론을 함께 장려했습니다.
• 공개 데이터 중심 구성: 공개 데이터셋과 폐쇄형 과제만으로 학습했으며, 보고서 생성은 학습 대상에서 제외했습니다. 이를 통해 학습된 능력이 새로운 개방형 출력 과제로 전이되는지 확인했습니다.
• 다층 평가: 관상동맥 우세 유형 분류와 복잡도 평가를 비교했고, 외부 코호트에서는 혈관 중증도 macro-F1을 기준으로 제로샷 보고서 생성을 측정했습니다.
• 과제별 차이: 분포 내 우세 유형 분류에서는 전용 분류기보다 낮았지만, 도메인 변화 상황에서는 격차가 줄어 정확도 0.91, 95% 신뢰구간 0.860.95를 기록했습니다. 복잡도 평가 정확도는 0.90, 신뢰구간은 0.820.97로 두 명의 중재 심장 전문의와 비슷했습니다. 보고서 생성에서는 RLVR 이후 가장 큰 변화가 나타났으며, 혈관 중증도 macro-F1은 0.686으로 조정하지 않은 기반 모델의 0.513보다 높았습니다.

이 연구의 핵심 의미는 설명 문장을 사후적으로 덧붙이는 대신, 시각적 근거를 모델의 학습 행동에 포함했다는 데 있습니다. 결론과 선택된 혈관 영역이 일치한다면 의료진은 모델이 혈관을 잘못 보거나 중요한 부위를 놓쳤는지 더 빠르게 점검할 수 있습니다. 동시에 유창한 설명만으로는 충분하지 않으며, 박스가 실제로 관련된 영상 내용을 가리키는지도 평가해야 한다는 점을 보여줍니다.

그러나 이 결과를 곧바로 임상 도입의 증거로 해석해서는 안 됩니다. CARDEA가 모든 과제에서 전용 시스템을 앞선 것은 아니며, 보고서 점수 향상이 진단 안전성을 의미하지도 않습니다. 박스 위치의 정확도, 추론의 일관성, 장비와 촬영 조건의 차이, 다양한 환자 집단에서의 성능은 추가 검증이 필요합니다. 실제 진료 흐름에서의 전향적 연구도 요구됩니다.

모델 가중치와 추론 코드가 공개된 점은 재현과 독립 감사를 가능하게 합니다. CARDEA는 근거 영역에 기반한 의료 비전-언어 모델을 향한 의미 있는 시도이지만, 감사하기 쉬운 추론이 실제 임상에서도 지속적으로 올바른지는 앞으로 확인해야 할 과제로 남아 있습니다.

출처: Hugging Face Daily Papers