LLM이 흉터를 분석할 때: 이미지에서 임상적으로 의미 있는 특징 추출까지

의료 영상 분류(Medical image classification)는 근본적인 딜레마에 직면해 있습니다. 딥러닝 (Deep learning) 모델은 대규모 데이터에서 놀라운 성능을 달성하지만, 실제 임상 시나리오에서는 주석(Annotation) 비용, 개인정보 보호 제약, 질병의 희귀성으로 인해 심각한 데이터 부족 문제를 겪는 경우가 많습니다. 이러한 도전 과제는 병리적 흉터 분류(Pathological scar classification)에서 특히 두드러지는데, 켈로이드(Keloids)와 비후성 반흔(Hypertrophic scars)을 구분하려면 미세한 전문가 지식이 필요하며 라벨링된 이미지가 매우 제한적이기 때문입니다. 우리는 대규모 언어 모델 (LLMs)을 엔드투엔드 분류기 (End-to-end classifiers)가 아닌 지식 기반의 특징 엔지니어 (Feature engineers)로 재배치하는 새로운 패러다임을 제안합니다. 우리는 이 프레임워크를 ScaFE (Scar Feature Engineering)라고 부릅니다. 우리의 핵심 통찰은 LLM이 실행 가능한 특징 추출 코드로 외재화될 수 있는 풍부한 의학 지식을 인코딩하고 있으며, 이를 통해 고차원 이미지를 저차원의 임상적으로 해석 가능한 표현(Representations)으로 변환할 수 있다는 점입니다. 구체적으로, 우리는 확립된 흉터 평가 기준을 LLM에 프롬프트로 제공하여 Vancouver Scar Scale과 같은 임상 점수 체계와 일치하는 특징을 추출하는 결정론적(Deterministic) Python 코드를 생성합니다. 우리의 접근 방식은 세 가지 주요 장점을 제공합니다: (1) 데이터 효율성 (Data efficiency): 지식 습득을 통계적 학습 (Statistical learning)과 분리함으로써 제한된 학습 샘플로도 견고한 성능을 달성합니다. (2) 개인정보 보호 (Privacy preservation): 원본 이미지가 외부 LLM에 노출되지 않고 로컬에서 처리됩니다. (3) 해석 가능성 (Interpretability): 임상적 추론에 근거한 명시적인 특징을 통해 제공됩니다. 흉터 분류에 대한 광범위한 실험을 통해, 우리의 방법은 데이터가 제한된 조건에서 엔드투엔드 딥러닝 베이스라인이나 LLM을 블랙박스 분류기로 사용하는 방식보다 일관되게 우수한 성능을 보임을 입증하였으며, 이는 데이터 효율적이고 임상적으로 투명한 의료 AI 시스템에 LLM을 통합하는 유망한 방향을 제시합니다.