기술 요약: RADIANT-PET

문제 정의

PET/CT 영상에서 병변을 정확하게 분할(segmentation)하는 것은 종양학, 특히 림프종 병기 결정 및 예후 모델링(예: CAR T-세포 치료 후 모니터링)에서 매우 중요합니다. 그러나 순수 이미지 기반 분할 모델은 악성 섭취와 생리적 추적자 섭취, 염증, 감염 또는 영상 아티팩트를 구분하는 데 어려움을 겪습니다. nnUNet 변형 모델을 포함한 기존의 이미지 전용 접근 방식들은 디스(Dice) 유사 계수(DSC) 0.8 이상을 달하는 데 실패하며, 이는 종종 대사 종양 부피(MTV) 측정을 왜곡하는 상당한 위양성(false positives)을 초래합니다. 저자들은 이러한 한계가 현재의 분할 파이프라인이 시각적 패턴에만 의존할 뿐, 해부학적 맥락과 임상 지식을 통합하는 명시적인 의료적 추론 능력이 결여되어 있다는 점에서 기인한다고 가설을 세웠습니다.

방법론

본 논문은 후보 생성(candidate generation)과 병변 수준의 판정(adjudication)을 분리하는 2단계 하이브드 프레임워크인 RADIANT-PET(Reasoning-Augmented Description–Inference Network for PET)을 제안합니다.

1. 고감도 후보 생성 (HS-UNet)

첫 번째 단계는 실제 병변을 놓치지 않도록 재현율(recall)을 우선시하며, 이 과정에서 높은 위양성률을 수용합니다.

• 모델 아키텍처: AutoPET III FDG 서브 트랙의 우승 모델인 nnUNet-v2를 기반으로 합니다.
• 학습 목표: 손실 함수(loss function)를 의도적으로 관대하게 수정했습니다. 이는 Tversky loss ($\alpha=1, \beta=0$으로 설정하여 위양성 페널티를 줄임)와 비대칭 교차 엔트로피(Asymmetric Cross-Entropy, ACE) loss ($\lambda_{FN}=8.0$으로 설정하여 위음성을 강조)를 결합합니다.
• 추론: 민감도를 극대화하기 위해 결정 임계값(decision threshold)을 0.5에서 0.1로 낮춥니다.
• 대안: 후보 생성을 위해 임상 표준 방식인 고정 SUV 임계값(SUV $\ge$ 2.5) 방식도 사용됩니다.
• 후처리: 워터셰드 분할(watershed splitting) 알고리즘을 사용하여 인접한 섭취 영역을 분리합니다. 경계는 SUV-valley 체크를 통해 검증되며, 이를 통해 분할이 기하학적 아티팩트가 아닌 실제 대사적 분리에 의한 것인지 확인합니다.

2. 구조화된 기술 생성 (Structured Description Generation)

각 후보 영역은 다음 내용을 포함하는 구조화된 텍스트 설명(JSON 형식)으로 변환됩니다:

• 정량적 특징: 복셀 부피, 3D 형상 기술자(신장도, 구형도 등), PET 강도 지표($SUV_{max}$, $SUV_{mean}$).
• 국소 해부학적 맥락: TotalSegmentator로 분할된 장기와의 중첩 백분율 및 상대적 위치 벡터.
• 전신 해부학적 맥락: 척추 레벨 할당(예: T6) 및 영상 중심에 대한 전신 위치 정보.

3. 강화 학습을 이용한 LLM 기반 판정

대규모 언어 모델(LLM)이 구조화된 설명을 평가하여 후보를 "진성 병변(true lesion)" 또는 "생리적 섭취(physiologic uptake)"로 분류합니다.

• 기반 모델: 임상 배포 시의 개인정보 보호를 보장하기 위해 로컬 200억 파라미터 모델(gpt-oss-20b)을 사용합니다.
• 입력: 구조화된 JSON 설명 및 선택적으로 추가된 자유 형식의 방사선 보고서.
• 최적화 (GRPO): **그룹 상대 정책 최적화(Group Relative Policy Optimization, GRPO)**라는 강화 학습 알고리즘을 사용하여 모델을 미세 조정합니다.
  • 보상 함수: 다음 항목의 합계로 구성된 복합 보상을 사용합니다:
    1. 이진 정확성: 정답 클래스 시 +1, 상호 배타적 오류 시 -1.
    2. 해부학적 국소화: 정확한 부위 일치 시 +2, 동등 그룹 내 일치 시 +1.5.
    3. 추론 정규화: 추론 과정에서 $SUV_{max}$를 참조하지 않을 경우 -0.5 페널티 부여 (모델이 영상 특징을 활용하도록 유도).
• 학습 데이터: 모델은 AutoPET 및 내부 OSU 코호트(방사선 보고서 포함 및 미포함 데이터)를 사용하여 학습되었습니다.

주요 기여

1. 추론 증강 프레임워크: 순수 픽셀 수준의 분류를 넘어, LLM 기반의 추론 단계를 통해 후보를 판정하는 새로운 파이프십을 결 통해 기존의 고감도 분할과 LLM 기반 추론을 결합했습니다.
2. 의료적 추론을 위한 강화 학습: GRPO를 적용하여 LLM의 병변 판정을 최적화함으로써, 분류 정확도와 해부학적 타당성을 직접적으로 개선했습니다.
3. 네이티브 보고서 통합: 방사선 보고서를 직접 통합함으로써, LLM이 의사의 해석과 임상적 서사를 활용하여 추론 과정 중에 맥락을 파악할 수 있도록 했습니다.

결과

프레임워크는 AutoPET-Test와 내부 OSU-Test 코호트에서 평가되었습니다.

• 후보 생성: 수정된 HS-UNet은 OSU-Test에서 기본 nnUNet-v2(0.63)보다 높은 민감도(0.88)를 달랐으며, 단순 임계값 방식(0.34)에 비해 현저히 개선된 DSC(0.58)를 달로했습니다.
• LLM 성능: GRPO 미세 조정은 gpt-oss-20b 모델의 성능을 크게 향상시켰습니다. 보고서가 없는 경우, RL로 튜닝된 모델은 F1 점수 0.68(기본 모델 0.52 대비)을 기록했습니다. 보고서가 포함된 경우 F1 점수는 0.76에 도달하여 강력한 상용 모델(예: Gemini-Flash-3.0)과 대등한 성능을 보였습니다.
• 분할 성능:
  • 보고서 미포함 시: RADIANT-PET(RL 튜닝된 LLM 사용)은 AutoPET-Test(DSC 0.82 vs 0.78)와 OSU-Test(DSC 0.77 vs 0.72) 모두에서 nnUNet-v2 베이스라인을 능가했습니다.
  • 보고서 포함 시: HS-UNet 후보, RL 튜닝된 LLM, 그리고 방사선 보고서를 결합했을 때 최상의 성능을 보였으며, OSU-Test에서 DSC 0.84 및 MTV에 대한 평균 절대 백분율 오차(MAPE) 0.16을 달성했습니다. 이는 nnUNet-v2 베이스라인(DSC 0.72, MAPE 0.83)에 비해 상당한 개선입니다.

의의 및 주장

본 논문은 LLM 기반의 병변 수준 추론이 효과적인 사후 분할 판정 레이어 역할을 한다는 것을 입증하며 RADIANT-PET의 효용성을 주장합니다. 섭취 강도, 형태, 해부학적 맥락을 평가하는 추론 단계를 추가함으로써, 프레임워크는 민감도를 유지하면서도 생리적 위양성을 성공적으로 억제합니다.

저자들은 다음 사항을 강조합니다:

• 명시적 추론은 추가적인 임상 맥락 없이도 RL 튜닝된 모델이 영상 전용 베이스라인을 능가하거나 대등한 성능을 보였다는 점에서, 단순한 임상 맥락 제공 이상의 가치를 지닙니다.
• 방사선 보고서의 통합은 영상 유래 발견 사항을 의사의 해석과 일치시켜 강력한 보완 신호를 제공합니다.
• GRPO를 통해 최적화된 로컬 LLM의 사용은 상용 모델과의 성능 격차를 좁히면서도, 임상 배포 시나리오에서 개인정보 보호가 가능한 대안을 제시합니다.

본 연구는 림프종 FDG PET/CT에 국한되어 있으며 상위 단계의 장기 분할 및 수작업 특징 추출에 의존하고 있으나, 자동화된 영상 워크플로우에 의료적 추론을 통합하는 새로운 패러다임을 구축했습니다.