Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge
MICCAI 2025 에서 개최된 FOMO25 챌린지를 통해 대규모 비라벨 데이터를 활용한 자기지도학습 기반 뇌 MRI 파운데이션 모델이 소량의 라벨과 도메인 이동 환경에서도 임상 데이터를 효과적으로 분석할 수 있음을 입증하고, 작업별 최적의 사전학습 목표와 모델 규모에 따른 한계를 규명했습니다.
원저자:Asbjørn Munk, Stefano Cerri, Vardan Nersesjan, Christian Hedeager Krag, Jakob Ambsdorf, Pablo Rocamora García, Julia Machnio, Peirong Liu, Suhyun Ahn, Nasrin Akbari, Yasmina Al Khalil, Kimberly AmadorAsbjørn Munk, Stefano Cerri, Vardan Nersesjan, Christian Hedeager Krag, Jakob Ambsdorf, Pablo Rocamora García, Julia Machnio, Peirong Liu, Suhyun Ahn, Nasrin Akbari, Yasmina Al Khalil, Kimberly Amador, Sina Amirrajab, Tal Arbel, Meritxell Bach Cuadra, Ujjwal Baid, Bhakti Baheti, Jaume Banus, Kamil Barbierik, Christoph Brune, Yansong Bu, Baptiste Callard, Yuhan Chen, Cornelius Crijnen, Corentin Dancette, Peter Drotar, Prasad Dutande, Nils D. Forkert, Saurabh Garg, Jakub Gazda, Matej Gazda, Benoît Gérin, Partha Ghosh, Weikang Gong, Pedro M. Gordaliza, Sam Hashemi, Tobias Heimann, Fucang Jia, Jiexin Jiang, Emily Kaczmarek, Chris Kang, Seung Kwan Kang, Mohammad Khazaei, Julien Khlaut, Petros Koutsouvelis, Jae Sung Lee, Yuchong Li, Mengye Lyu, Mingchen Ma, Anant Madabhushi, Klaus H. Maier-Hein, Pierre Manceron, Andrés Martínez Mora, Moona Mazher, Felix Meister, Nataliia Molchanova, Steven A. Niederer, Leonard Nürnberg, Jinah Park, Abdul Qayyum, Jonas Richiardi, Antoine Saporta, Branislav Setlak, Ning Shen, Justin Szeto, Constantin Ulrich, Puru Vaish, Vibujithan Vigneshwaran, Leroy Volmer, Zihao Wang, Siqi Wei, Anthony Winder, Jelmer M. Wolterink, Maxence Wynen, Chang Yang, Si Young Yie, Mostafa Mehdipour Ghazi, Akshay Pai, Espen Jimenez Solem, Sebastian Nørgaard Llambias, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen
원저자: Asbjørn Munk, Stefano Cerri, Vardan Nersesjan, Christian Hedeager Krag, Jakob Ambsdorf, Pablo Rocamora García, Julia Machnio, Peirong Liu, Suhyun Ahn, Nasrin Akbari, Yasmina Al Khalil, Kimberly Amador, Sina Amirrajab, Tal Arbel, Meritxell Bach Cuadra, Ujjwal Baid, Bhakti Baheti, Jaume Banus, Kamil Barbierik, Christoph Brune, Yansong Bu, Baptiste Callard, Yuhan Chen, Cornelius Crijnen, Corentin Dancette, Peter Drotar, Prasad Dutande, Nils D. Forkert, Saurabh Garg, Jakub Gazda, Matej Gazda, Benoît Gérin, Partha Ghosh, Weikang Gong, Pedro M. Gordaliza, Sam Hashemi, Tobias Heimann, Fucang Jia, Jiexin Jiang, Emily Kaczmarek, Chris Kang, Seung Kwan Kang, Mohammad Khazaei, Julien Khlaut, Petros Koutsouvelis, Jae Sung Lee, Yuchong Li, Mengye Lyu, Mingchen Ma, Anant Madabhushi, Klaus H. Maier-Hein, Pierre Manceron, Andrés Martínez Mora, Moona Mazher, Felix Meister, Nataliia Molchanova, Steven A. Niederer, Leonard Nürnberg, Jinah Park, Abdul Qayyum, Jonas Richiardi, Antoine Saporta, Branislav Setlak, Ning Shen, Justin Szeto, Constantin Ulrich, Puru Vaish, Vibujithan Vigneshwaran, Leroy Volmer, Zihao Wang, Siqi Wei, Anthony Winder, Jelmer M. Wolterink, Maxence Wynen, Chang Yang, Si Young Yie, Mostafa Mehdipour Ghazi, Akshay Pai, Espen Jimenez Solem, Sebastian Nørgaard Llambias, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen
지금까지 병원에서 뇌 MRI 를 분석하는 AI 는 **'수업용 교재'**로만 훈련되었습니다.
문제점: 연구실에서는 깨끗하고 완벽하게 라벨이 붙은 데이터 (정답지) 만을 보고 공부시켰습니다. 하지만 실제 병원은 다릅니다. 환자들의 상태도 다르고, 사용하는 MRI 기계도 다르고, 화질도 제각각입니다. 마치 교과서로만 공부한 학생이 실제 시험장에서 낯선 문제를 만나면 당황하는 상황과 비슷합니다.
해결책: AI 가 수천만 장의 '정답이 없는' 뇌 MRI 사진을 먼저 스스로 공부하게 하자는 아이디어입니다. 이를 **자기지도 학습 (Self-Supervised Learning)**이라고 합니다. 마치 아기에게 수많은 사물을 보여주며 "이건 뭐지?"라고 스스로 생각하게 한 뒤, 나중에 "사과"라고 가르치는 것과 같습니다.
2. FOMO25 대회는 어떤 일이었나요? (대회 내용)
2025 년 MICCAI(의료 영상 AI 의 올림픽) 에서 열린 이 대회는 **"실전 감각"**을 테스트했습니다.
준비물: 참가자들에게 **6 만 장이 넘는 거대한 뇌 MRI 데이터 (FOMO60K)**를 주었습니다.
미션: 이 데이터를 바탕으로 AI 를 훈련시킨 뒤, **아주 적은 수의 예시 (Few-shot)**로 세 가지 임무를 수행하게 했습니다.
뇌졸중 (경색) 찾기: "여기에 뇌졸중이 있나요?" (분류)
뇌종양 (수막종) 그리기: "종양이 있는 부분을 색칠하세요." (분할)
나이를 맞추기: "이 뇌의 나이는 몇 살인가요?" (회귀)
특이점: 훈련 데이터와 실제 시험 데이터는 완전히 다른 병원, 다른 기계에서 나온 것이었습니다. 즉, 한국에서 배운 요리사가 미국 식재료를 보고 요리를 해야 하는 상황이었습니다.
3. 어떤 놀라운 결과가 나왔나요? (핵심 발견)
① "스스로 공부한 AI 가 더 똑똑했다!" 기존에 정답지를 보고 공부한 AI(지도 학습) 보다, **미리 수많은 사진을 스스로 공부한 AI(기초 모델)**가 실제 병원 데이터에서 훨씬 잘했습니다. 특히 다른 나라 (도메인) 에서 온 데이터를 다룰 때 그 차이가 극명했습니다.
비유: "교과서만 외운 학생 (지도 학습) 보다, 다양한 경험을 쌓고 스스로 문제를 해결하는 법을 터득한 학생 (자기지도 학습) 이 낯선 환경에서 더 잘 적응합니다."
② "한 가지 비법이 모든 문제에 통하지는 않는다" AI 가 어떤 방식으로 공부하느냐에 따라 강점이 달랐습니다.
종양 그리기 (분할) 에는: 이미지 조각을 가리고 복구하는 방식 (MAE) 이 유리했습니다. (마치 퍼즐을 맞추는 연습을 많이 한 사람)
질병 분류에에는: 이미지를 비교하고 차이를 찾는 방식이 유리했습니다. (마치 비교 분석을 잘하는 사람)
나이는: 어떤 방식이든 비슷하게 잘했습니다.
비유: "축구선수가 골키퍼로만 훈련하면 골키퍼는 잘하지만, 공격수는 못 합니다. 각자 목적에 맞는 훈련이 필요합니다."
③ "크고 오래 훈련한다고 무조건 좋은 건 아니다" AI 모델이 너무 크거나, 훈련 시간을 너무 길게 잡았다고 해서 성능이 비약적으로 좋아지지는 않았습니다. 작은 모델도 충분히 경쟁력이 있었습니다.
비유: "거대한 도서관을 다 읽었다고 해서 모든 문제를 푸는 건 아닙니다. 핵심적인 내용을 잘 이해하는 작은 두뇌가 실전에서는 더 빠르고 효율적일 수 있습니다."
4. 결론: 앞으로 어떻게 될까요?
이 대회는 **"AI 가 실제 병원에 쓰이려면, 깨끗한 연구실 데이터가 아닌 messy(지저분하고 복잡한) 실제 환자 데이터를 어떻게 다루느냐"**가 핵심임을 증명했습니다.
기존 방식: 정답을 알려주고 가르치는 방식은 한계가 있습니다.
새로운 방식: AI 가 먼저 수많은 실제 데이터를 스스로 관찰하고 패턴을 익히게 한 뒤, 아주 적은 예시만으로도 새로운 환자를 진단하게 하는 것이 미래입니다.
한 줄 요약:
"이제 AI 는 정답지를 보고 외우는 학생이 아니라, 수많은 경험을 통해 스스로 지혜를 쌓은 의사로 진화하고 있습니다. 그리고 이 새로운 AI 는 실제 병원에서 더 잘 일할 준비가 되었습니다!"
1. 문제 정의 (Problem Statement)
임상 데이터의 이질성과 노이즈: 자동화된 뇌 MRI 분석의 임상 배포는 데이터의 이질성 (다양한 스캐너, 프로토콜, 벤더) 과 노이즈로 인해 큰 도전을 겪고 있습니다.
레이블 부족: 고품질 레이블은 획득 비용이 매우 비싸고 전문가의 노력이 필요하여, 임상 워크플로우에서 생성되는 방대한 양의 비레이블 데이터에 비해 레이블 데이터는 극히 부족합니다.
기존 연구의 한계: 기존 뇌 MRI 기반 모델은 소규모 사전 학습 데이터셋 (<10K 스캔) 을 사용하거나, 연구용 고품질 데이터 (in-domain) 에만 초점을 맞춘 벤치마크에서 평가되었습니다. 이는 실제 임상 환경의 노이즈와 도메인 이동 (domain shift) 을 반영하지 못합니다.
핵심 질문: 제한된 레이블과 도메인 이동이 있는 실제 임상 환경에서 자기지도 학습 (Self-Supervised Learning, SSL) 기반의 파운데이션 모델이 과적합된 지도 학습 모델을 능가할 수 있는가?
2. 방법론 및 도전 과제 설계 (Methodology & Challenge Design)
저자들은 MICCAI 2025 에서 FOMO25 (Foundation Model Challenge for Brain MRI 2025) 를 개최하여 위 문제를 해결하고자 했습니다.
2.1 데이터셋
FOMO60K (사전 학습용): 11,187 명의 13,900 세션에서 수집된 60,529 개의 구조적 뇌 MRI 스캔으로 구성된 대규모 비레이블 데이터셋입니다. 16 개의 공개 소스에서 수집되어 인구통계, 스캐너 벤더, 프로토콜 등에서 매우 이질적입니다.
파인튜닝 및 평가 데이터: 실제 임상 워크플로우에서 직접 수집된 데이터를 사용했습니다.
Task 1 (분류): 뇌경색 (Infarct) 분류 (21 개 파인튜닝 케이스).
Task 2 (분할): 수막종 (Meningioma) 분할 (23 개 파인튜닝 케이스).
Task 3 (회귀): 뇌연령 (Brain Age) 회귀 (200 개 파인튜닝 케이스).
평가: 인도 (파인튜닝) 와 덴마크 (검증/테스트) 등 서로 다른 기관과 지리적 지역에서 수집된 데이터를 사용하여 도메인 이동 (Out-of-Domain, OOD) 시나리오를 구현했습니다.
2.2 트랙 구성
Method Track: 참가자들은 오직 FOMO60K 데이터셋만을 사용하여 모델을 사전 학습해야 했습니다. (방법론적 기여도 평가)
Open Track: 제한 없이 어떤 데이터셋을 사용하여 사전 학습해도 되었습니다. (데이터 규모 및 다양성의 영향 평가)
2.3 평가 프로토콜
Few-shot 설정: 파인튜닝 데이터는 매우 적게 제공되어 (Task 1, 2 는 20 개 내외, Task 3 는 200 개) 레이블 효율성을 평가했습니다.
표준화된 파이프라인: 모든 모델은 컨테이너화되어 표준화된 환경에서 평가되었으며, 지도 학습 기반 베이스라인 (nnU-Net, Asparagus) 과 비교되었습니다.
3. 주요 기여 및 발견 (Key Contributions & Findings)
3.1 자기지도 학습 (SSL) 의 일반화 능력 입증
OOD 성능 향상: 사전 학습된 파운데이션 모델은 동일한 OOD 데이터로 훈련된 지도 학습 베이스라인보다 우수한 성능을 보였습니다.
전문가 모델 능가: 가장 강력한 OOD 파운데이션 모델은 도메인 내 (In-domain) 에서 훈련된 전문가 모델 (Supervised-ID) 보다도 더 좋은 성능을 기록했습니다. 이는 잘 조정된 파운데이션 모델이 대륙 간 도메인 격차를 Few-shot 환경에서도 극복할 수 있음을 의미합니다.
3.2 사전 학습 목표 (Pretext Task) 와 태스크 간 상관관계
단일 SSL 목표가 모든 태스크에 유리한 것은 아니라는 것을 발견했습니다.
분할 (Segmentation):Local Objective (예: MAE - Masked Autoencoders) 이 가장 유리했습니다.
분류 (Classification):Hybrid Objective (예: MAE + Contrastive Learning) 이 유리했습니다.
회귀 (Regression): 모든 목표 유형이 비슷한 성능을 보였습니다.
결론: 하위 태스크의 특성에 맞는 사전 학습 전략을 선택해야 합니다.
3.3 모델 스케일링의 한계
작은 모델의 경쟁력: 작은 사전 학습 모델도 큰 모델과 경쟁 가능한 성능을 보였습니다.
스케일링 법칙의 부재: 모델 크기 (Encoder size) 를 키우거나 사전 학습 시간을 늘리는 것이 하위 태스크 성능에 일관된 개선을 가져오지 않았습니다. 이는 의료 영상 분야에서 "더 큰 모델 = 더 좋은 성능"이라는 일반 컴퓨터 비전의 통념이 항상 성립하지 않음을 시사합니다.
4. 결과 (Results)
참가 현황: 16 개 팀이 19 개의 고유한 파운데이션 모델을 제출했습니다.
성능 순위:
Method Track:FOMO2JOMO 팀이 1 위를 차지했으며, 이는 도메인 내 지도 학습 베이스라인 (Supervised-ID) 을 능가했습니다.
Open Track:LatentCampus 팀이 1 위였으나, 전체적으로 Open Track 모델들이 Method Track 베이스라인을 압도하지는 못했습니다 (데이터의 질과 구성이 중요함을 시사).
통계적 유의성: 부트스트랩 (Bootstrap) 재표본 추출과 순열 검정 (Permutation testing) 을 통해 순위의 통계적 유의성을 검증했으며, 성능은 명확한 티어 (Tier) 로 구분되었습니다.
5. 의의 및 결론 (Significance & Conclusion)
임상 현실 중심 평가: 기존 연구-grade 데이터가 아닌, 실제 임상 워크플로우에서 수집된 이질적이고 노이즈가 많은 데이터로 파운데이션 모델을 평가했다는 점에서 의의가 큽니다.
임상 배포 가능성: 제한된 레이블과 도메인 이동이 있는 환경에서도 SSL 기반 파운데이션 모델이 과적합된 지도 학습 모델보다 더 견고한 일반화 능력을 가진다는 것을 입증했습니다.
미래 연구 방향:
태스크에 맞는 사전 학습 목표 (Local vs Global) 의 균형이 중요합니다.
무조건적인 모델 스케일링보다는 데이터 구성, 목표 함수 설계, 적응 전략 (Adaptation strategy) 간의 상호작용을 연구해야 합니다.
3D 자기지도 학습 (Self-distillation) 및 Transformer 기반 아키텍처와 같은 미개척 영역이 향후 연구 방향이 될 수 있습니다.
요약하자면, FOMO25 챌린지는 뇌 MRI 분야에서 자기지도 학습 기반 파운데이션 모델이 단순한 연구용 도구를 넘어, 실제 임상 환경에서 제한된 레이블과 도메인 이동 하에서도 신뢰할 수 있는 대안이 될 수 있음을 실증적으로 보여준 중요한 이정표입니다.