Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors

논문 요약: 뇌 종양 MR 분광법 (MRS) 을 위한 에이전트 기반 LLM 워크플로우

1. 문제 정의 (Problem Statement)

• MRS 의 중요성과 한계: 자기 공명 분광법 (MRS) 은 뇌 종양의 대사 특성을 비침습적으로 분석하여 진단, 치료 계획 수립, 경과 관찰에 중요한 정보를 제공합니다. 그러나 MRS 의 유효성은 관심 영역 (VOI, Volume-of-Interest) 의 정확한 배치에 크게 의존합니다.
• 배치의 복잡성: 뇌 종양은 고형 종양, 침윤성 종양, 괴사 부위 등 이질적인 하위 영역으로 구성되어 있어, 단일한 최적의 VOI 배치가 존재하지 않습니다. 여러 개의 서로 다른 VOI 배치가 모두 임상적, 기술적 제약 조건을 만족할 수 있습니다.
• 기존 방식의 문제점:
  • 수동 배치의 변수: 숙련된 운영자가 수동으로 배치하지만, 종양 이질성으로 인해 운영자 간 편차 (Inter-operator variability) 가 큽니다.
  • 고정된 최적화: 기존 자동화 방법 (이산 최적화 또는 단일 목적 함수를 가진 딥러닝) 은 특정 최적화 선호도 (예: 종양 커버리지 최대화 또는 괴사 회피) 에 고정되어 있어, 사용자의 구체적인 임상적 요구나 상황에 따라 유연하게 대응하기 어렵습니다.
  • 재학습의 비효율성: 각기 다른 임상 목표나 시스템 구성에 맞춰 모델을 재학습시키는 것은 비실용적입니다.

2. 방법론 (Methodology)

저자들은 자연어 기반의 에이전트 LLM (Large Language Model) 워크플로우를 제안하여 VOI 배치를 '다양한 후보 생성'과 'LLM 에 의한 최적 선택'으로 분해했습니다.

• 에이전트 LLM 워크플로우 (Agentic Workflow):

  • LLM 역할: Qwen3-14B 모델을 사용하여 사용자 선호도 (자연어 지시) 를 해석하고, 도구를 조율하며 최종 결정을 내리는 컨트롤러로 작동합니다.
  • 사용 도구 (Tools): 종양 분할 (Segmentation), VOI 배치, 지표 평가 (Metrics Evaluation), 작업 완료 도구 등 4 가지 도구를 호출합니다.
  • 프로세스: 사용자 지시 $\rightarrow$ LLM 이 필요한 도구 호출 $\rightarrow$ 다양한 VOI 후보 생성 $\rightarrow$ 정량적 지표 평가 $\rightarrow$ LLM 이 선호도에 맞는 최적 VOI 선택.

• 데이터 증강 및 목적 함수 (Data Augmentation via Discrete Search):

  • 인간 전문가의 다양한 선호도를 반영하기 위해, 뇌 종양 하위 영역 (고형 종양, 주변부, 괴사, 정상 뇌) 의 VOI 내 비율을 기반으로 한 **이산 검색 목적 함수 (Discrete Search Objective Function)**를 설계했습니다.
  • 이 함수는 가우시안 항과 기하학적 수정자 (실제 종양 누락 패널티, VOI 부피 패널티, 두개골 거리 패널티) 를 결합하여 다양한 선호도 (균형형 vs. 대형 VOI 선호형) 를 가진 훈련 데이터를 생성합니다.

• AI 모델 도구 (AI Models in Toolsets):

  • 종양 분할: nnUNet 을 사용하여 T2w FLAIR 이미지에서 종양을 분할합니다.
  • VOI 배치 모델 (MVP & PC-MVP):
    • MVP: 비전 트랜스포머 (ViT) 기반 회귀 모델로, 입력 분할 맵에서 VOI 의 위치, 크기, 회전 각도 (9 차원 벡터) 를 직접 예측합니다.
    • PC-MVP (Position-Conditioned MVP): 특정 좌표 (VOI 중심) 를 조건으로 받아 해당 위치에서의 치수와 회전만 예측합니다. 이를 통해 종양 내부의 다양한 위치에서 다양한 유효한 VOI 후보군을 생성합니다.
  • 후보 생성 전략: PC-MVP 를 사용하여 고형 종양 내부에서 최대 50 개의 좌표를 샘플링하여 다양한 VOI 후보를 생성합니다.

• LLM 기반 VOI 선택:

  • 생성된 후보 VOI 들의 정량적 지표 (종양 커버리지, 괴사 포함량 등) 를 LLM 에게 제공하며, 사용자의 자연어 지시 (예: "괴사를 최소화해라", "종양 커버리지를 높여라") 에 따라 최적의 VOI 를 선택하도록 프롬프트를 구성합니다.

3. 주요 기여 (Key Contributions)

1. 수동 주석 없이 전문가 선호도 학습: 목적 함수를 사용하여 다양한 인간 전문가의 선호도를 시뮬레이션한 훈련 데이터를 생성함으로써, 방대한 수동 주석 없이도 다양한 VOI 배치 패턴을 학습 가능하게 함.
2. 다양한 후보 생성 모델: 비전 트랜스포머 기반의 MVP 와 위치 조건부 PC-MVP 모델을 제안하여, 단일 결정론적 결과가 아닌 다양한 유효한 VOI 후보군을 생성하는 체계 마련.
3. 에이전트 LLM 워크플로우: 분할, 배치, 정량적 평가를 통합하고 자연어 지시를 통해 임상 목적에 맞춰 VOI 를 선택하는 새로운 아키텍처 제시.
4. 선호도 기반 제어 (Preference-Conditioned Control): 모델을 재학습시키지 않고도 자연어 요청을 통해 특정 임상 목표 (예: 괴사 회피, 종양 커버리지 극대화) 에 맞는 VOI 를 생성 가능하게 함.

4. 실험 결과 (Results)

• 데이터셋: 110 명의 뇌 종양 환자 (저등급 및 고등급 교모세포종) 의 임상 데이터를 사용. 5 명의 MRS 전문가 (신경방사선학자 및 물리학자) 가 수동으로 VOI 를 배치한 데이터를 기준으로 비교.
• 성능 비교 (Table 3):
  • 균형형 선호도: 제안된 MVP 및 PC-MVP 모델은 기존 CNN 기반 모델 및 이산 검색 방법보다 **고형 종양 커버리지 ($f_{VOIsolid}$)**와 종양 누락 ($f_{Solidoutside}$) 지표에서 인간 전문가보다 우수한 성능을 보임.
  • 선호도별 최적화:
    • 괴사 최소화 ($v_{VOInecrosis} \downarrow$): 에이전트 워크플로우는 모든 방법 중 가장 낮은 괴사 포함량 (0.35 mL) 을 달성.
    • 종양 커버리지 최대화 ($f_{VOIsolid} \uparrow$): 0.66 의 커버리지를 달성하여 인간 전문가 (0.54) 보다 우수.
    • 종양 누락 최소화 ($f_{Solidoutside} \downarrow$): 0.52 로 기존 방법 대비 개선.
  • VOI 부피: 기존 이산 검색 방법은 최적화 목표에 따라 VOI 부피가 급격히 변하는 반면, 제안된 워크플로우는 인간 전문가와 유사한 부피 범위 (약 11.8~14.1 mL) 를 유지하면서 성능을 최적화함.
• 시각적 결과: 다양한 전문가의 선호도 (작은 VOI vs. 큰 VOI) 를 LLM 을 통해 모방하여, 동일한 환자 사례에서도 사용자 지시에 따라 적절한 크기와 위치의 VOI 를 생성함을 확인.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 유연성: 이 연구는 특정 임상 질문이나 시스템 설정에 맞춰 모델을 재학습할 필요 없이, 자연어 지시만으로 VOI 배치를 다양한 임상 목표에 맞게 **적응형 (Adaptive)**으로 조절할 수 있는 전략을 제시했습니다.
• 인간 전문가의 모방: 단순히 수치적 최적화를 넘어, 인간 전문가의 배치 패턴과 부피 제약을 유지하면서 특정 목표를 달성하는 균형을 찾았습니다.
• 미래 전망: 이 프레임워크는 뇌 종양뿐만 아니라 정상 뇌 해부학에서의 포괄적인 VOI 배치로 확장 가능하며, 다양한 임상 및 기술적 환경에서의 적용 가능성을 열어줍니다.

이 논문은 LLM 을 단순한 텍스트 생성기가 아닌, 의료 영상 처리 파이프라인의 지능형 컨트롤러로 활용하여 의료 AI 의 유연성과 실용성을 크게 향상시킨 사례로 평가됩니다.