경피적 대동맥 판막 치환술 (Transcatheter Aortic Valve Replacement, TAVR) 계획에는 세심한 멀티모달 추론 (multimodal reasoning)이 필요합니다. 그러나 멀티모달 거대 언어 모델 (Multimodal Large Language Models, MLLMs)을 이러한 고위험 영역에 적용하는 것은 생성된 텍스트가 해부학적 근거 (anatomical grounding)를 결여하는 진단적 환각 (diagnostic hallucinations) 문제로 인해 심각하게 저해됩니다. 이를 해결하기 위해 TAVR-VLM을 소개합니다. 이는 모델 내부의 "위험(Risk) $\rightarrow$ 영역(Region) $\rightarrow$ 단어(Word)" 구조적 그라운딩 경로를 구현하는 위험 조건부 인과적 그라운딩 어텐션 (Risk-Conditioned Causal Grounding Attention, R-CGA)을 특징으로 하는 새로운 프레임워크입니다. R-CGA는 멀티모달 입력을 인과적 위험 병목 (causal risk bottleneck)으로 압축하여, 밀집된 시각적 특징 (dense visual features)을 전역 위험 마스크 (global risk mask)로 정제합니다. 자기회귀 생성 (autoregressive generation) 동안, 서포트 투영된 인과적 일관성 목적 함수 (support-projected causal consistency objective)는 위험이 정의된 서포트 마스크 (support mask) 내에서 토큰 수준의 그라운딩을 제한합니다. 1,482명의 환자 코호트를 포함하는 포괄적인 $\text{M}^3\text{TAVR}$ 데이터셋에서 평가한 결과, TAVR-VLM은 새로운 SOTA (state-of-the-art)를 구축했습니다. 이 모델은 0.896의 AUROC를 달성하고, CIDEr를 0.936으로 높였으며, 환각률을 8.1%로 대폭 감소시켜 근거 기반 수술용 AI를 위한 해석 가능성 (interpretability)을 향상시켰습니다.