RL-ACRGNet: 강화학습 기반 흉부 방사선 보고서 생성 네트워크

의료 영상 해석은 현대 임상 진단의 근간이 되는 핵심 요소이지만, 방사선 보고서를 수동으로 작성하는 과정은 시간이 많이 소요되며 해석의 불일치가 발생하기 쉽습니다. 의료 AI (Medical AI) 분야 내에서, 딥러닝 (Deep Learning)을 통해 이러한 설명을 자동화하는 것은 임상 워크플로우를 효율화하고 진단 결과의 표준화를 약속합니다. 그러나 미세한 시각적 특징 (Visual Features)을 포착하고 임상적 일관성 (Clinical Coherence)을 보장하는 데 한계가 있어, 정확한 질병 탐지와 정밀한 보고서 생성은 여전히 중요한 과제로 남아 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 사전 학습된 DenseNet 인코더 (Encoder)를 오프-폴리시 강화학습 (Off-policy Reinforcement Learning) 프레임워크 내의 다층 LSTM 디코더 (Decoder)와 통합한 개선된 인코더-디코더 모델인 RL-ACRGNet을 제안합니다. 메트릭 기반 보상 메커니즘 (Metric-based Reward Mechanism)을 통해 시각-의미론적 임베딩 (Visual-semantic Embeddings)을 정교화하는 이중 네트워크 접근 방식을 사용하여, RL-ACRGNet이 IU-Xray 데이터셋에서 최신 베이스라인 (Baselines) 모델들을 지속적으로 능가하며 BLEU-4 (0.47%), METEOR (0.17%), ROUGE-L (0.518) 측면에서 정량적 향상을 달성함을 입증했습니다. 나아가, 대규모 MIMIC-CXR 데이터셋에 대한 종합적인 평가를 통해 모델의 강력한 일반화 (Generalisation) 능력과 고품질의 임상적으로 유의미한 보고서를 생성하는 능력을 확인했습니다.