헬스케어 멀티모달 AI는 시각적 증거와 텍스트적 증거를 결합하는 동시에 신뢰할 수 있고 해석 가능해야 합니다. 회고적 GI 내시경 사례 연구인 MediaEval Medico 2025를 사용하여, 우리는 질문 답변 및 설명 품질에 대한 아홉 가지 문서화된 시스템의 설계 선택을 분석했습니다. 사전 학습된 백본(backbones)의 매개변수 효율적인 적응은 강력한 도전 성능을 제공하지만, 답변 수준의 개선이 충실하고 완전한 임상 추론으로 일관되게 이어지지는 않습니다. 구조화된 추론과 명시적 근거를 강제하는 방법들이 이질적인 질문 유형 전반에 걸쳐 더 신뢰할 수 있는 동작을 보여주었으나, 그 증거는 제거(ablation) 기반이라기보다는 상관관계적입니다. 이러한 결과들은 어휘 중복(lexical overlap) 이상의 평가, 표준화된 증거 연결 설명, 누출 인식 데이터 거버넌스, 그리고 경량의 견고성 및 보정(calibration) 검사를 넘어서야 할 필요성을 동기 부여합니다. 이 발견들은 데이터 융합, 설명 가능성, 그리고 복원력 있는 평가에 기반한 신뢰할 수 있는 멀티모달 헬스케어 AI를 뒷받침합니다.