Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
SAM을 활용하여 폐 결절 분할을 수행하는 인간 참여형(human-in-the-loop) 프레임워크인 Hi-Seg를 제안합니다. 인간의 반복적인 프롬프트 정제를 통해 SAM의 성능을 극대화하며, 기존 딥러닝 모델 및 SAM 변형 모델보다 높은 정확도를 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기의료 전문가 주석가(annotators)는 부족하며, 인공지능 (AI)에 대한 맹목적인 의존은 오해를 불러일으킬 수 있습니다. 이는 인간, 특히 주니어 의료 수련생이나 심지어 비의료 인력이 견고한 의료 분할 (medical segmentation)을 달성하기 위해 AI와 협업하는 접근 방식의 동기가 됩니다. Segment Anything Model (SAM)은 범용 이미지 분할 (image segmentation)에 있어 유망함을 보여주지만, 특화된 의료 작업에 대한 인간-AI 협업에서의 성능은 철저히 평가되지 않았습니다. 본 연구에서는 SAM을 기반으로 구축된 폐 결절을 위한 인간 참여형 (human-in-the-loop) 분할 프레임워크인 Hi-Seg를 제시합니다. 인간은 시행착오 학습 (trial-and-error learning)과 의미론적 추론 (semantic reasoning)을 통해 반복적으로 프롬프트 (prompts)를 정제하며, 점진적으로 SAM이 더 높은 품질의 마스크 (masks)를 생성하도록 유도합니다. 12개 센터의 환자 1,179명으로부터 얻은 흉부 CT 스캔을 사용하여, 우리는 협업적 인간-SAM 분할에 대한 최초의 대규모 외부 검증을 수행했습니다. 모든 주석가 그룹에 걸쳐 Hi-Seg는 거의 85%의 평균 Dice 점수를 달성하였으며, 이는 5개의 최첨단 (state-of-the-art) 딥러닝 모델보다 10-22%, 13개의 SAM 변형 모델보다 1-29% 더 높은 성능을 보였습니다. Hi-Seg는 의료 주석가의 주석 시간을 단축하면서 분할 정확도를 향상시켰으며, 짧게 교육받은 비의료 주석가들도 주니어 의대생과 대등한 성능을 달성했습니다. 이러한 결과는 인간 참여형 분할이 임상의의 업무량을 줄이고, 확장 가능한 크라우드소싱 주석 (crowdsourced annotation)을 가능하게 하며, 파운데이션 모델 (foundation models)을 일상적인 임상 실무에 안전하고 효율적으로 통합함으로써 임상 워크플로우를 변화시킬 수 있음을 시사합니다.