An open AI system for dermatology tasks
이 논문은 공공 데이터를 활용하여 훈련되었으며, 다양한 피부색과 글로벌 벤치마크 전반에 걸쳐 전문의 수준의 진단 정확도를 달oleh하는 새로운 감독 데노이징 대조 학습 방식을 통해, 독점적 시스템에 대한 재현 가능하고 형평성 있는 대안을 제공하는 오픈 소스 피부과 파운데이션 모델인 UniDerm을 소개한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
컴퓨터에게 피부 질환을 인식하는 법을 가르치는 상황을 상상해 보십시오. 수년 동안 최고의 AI 시스템들은 마치 비밀 클럽과 같았습니다. 소수의 대형 병원만이 접근할 수 있는 방대한 양의 비공개 환자 사진들로 학습되었기 때문입니다. 이러한 시스템들은 학습 데이터를 숨겨왔기에, 다른 누구도 그들이 편향되었는지 확인하거나, 실수를 바로잡거나, 심지어 작은 클리닉의 평범한 노트북에서 실행해 볼 수도 없었습니다. 이는 마치 뛰어난 의사가 자신의 의학 교과서를 공유하기를 거부하여, 세상 대부분의 사람들이 그 전문 지식에 접근하지 못하게 만드는 것과 같았습니다.
이 논문의 돌파구를 이해하려면 두 가지를 알아야 합니다. 첫째, "파운데이션 모델(foundation models)"은 특정 과업에 대한 테스트를 받기 전, 방대한 양의 데이터로부터 일반적인 패턴을 학습하는 매우 똑똑한 학생과 같습니다. 둘째, "대조 학습(contrastive learning)"은 AI에게 서로 속해 있는 쌍(예: 발진 사진과 '습진'이라는 단어)을 보여주고, 그 쌍들을 뇌 속에서 서로 가깝게 끌어당기는 동시에 관련 없는 것들은 서로 밀어내도록 가르치는 방식입니다. 까다로운 점은 피부 이미지가 종종 진단명, 신체 부위, 증상 목록, 시각적 개념 등 한 번에 '다양한' 설명들을 동반한다는 것입니다. 기존의 AI는 이 다양한 설명들을 하나의 흐에진 답변으로 평균화하려 했고, 그 과정에서 정확한 진단을 내리는 데 필요한 미세한 디테일들을 놓치곤 했습니다.
이 논문은 세계적인 수준의 의료 AI를 구축하기 위해 반드시 비밀스러운 비공개 데이터가 필요하다는 관념에 도전하는 새로운 완전 개방형 피부과 AI 시스템인 UniDerm을 소개합니다. 칭화대학교, 바이찬(Baichuan Inc.) 및 기타 기관의 연구진으로 구성된 저자들은 오로지 공개적으로 이용 가능한 이미지와 텍스트 데이터로만 학습된 모델을 구축했습니다. 저자들은 피부 병변의 다양한 설명을 모호한 혼합물으로 평균화하는 대신, "수퍼비전 디노이징(supervision-denozing, 감독 노이즈 제거)"이라는 영리한 기법을 사용합니다. 이는 마치 여러 명의 목격자가 동시에 외치는 소리에 단순히 귀를 기울이는 것이 아니라, 형사가 구체적인 질문("발진이 어떻게 생겼나요?" 대 "그것이 어디에 위치하나요?")을 던져 각 특정 과업에 대해 명확하고 날카로운 답을 얻어내는 것과 같습니다.
결과는 놀랍습니다. UniDerm은 5개 대륙에 걸친 11개의 벤치마크에서 테스트되었으며, 공개 데이터만을 사용하여 학습했음에도 불구하고 선두를 달리는 "비밀 클럽" 모델들과 대등하거나 오히려 더 나은 성능을 보였습니다. 실제로 UniDerm은 전문가 라벨을 단 3분의 1 정도만 사용하고도 비공개 모델들과 동일한 높은 정확도에 도달했습니다. 이 모델은 피부암을 0.946의 정확도 점수(AUROC)로 탐지했는데, 이는 302명의 인간 전문가 패널의 합의된 결과보다 높은 수치입니다. 아마도 가장 중요한 점은, Uni-Derm이 많은 AI 시스템이 실패하는 영역인 어두운 피부 톤에서도 잘 작동하며, 값비싸고 강력한 그래픽 카드가 필요 없이 표준 컴퓨터에서도 실행될 수 있다는 것입니다.
이 논문은 이러한 접근 방식이 의료 AI를 "민주화"한다고 주장합니다. 저자들은 모델의 코드, 가중치, 그리고 학습 데이터를 재구축하는 정확한 레시피를 공개함으로써 커뮤니티에 열쇠를 건네주고 있습니다. 이는 자원이 부족한 지역의 클리닉들이 검사하거나 수정할 수 없는 독점 제품을 구매하는 대신, 직접 AI를 다운로드하고, 감사하고, 개선할 수 있음을 의미합니다. 저자들은 이 방법이 영상의학이나 병리학 같은 다른 분야에서 전문의 수준의 AI를 만들기 위한 청사진이 될 수 있다고 제안하며, 공공의 이익을 위해 공공의 것을 구축하는 데 반드시 개인적인 비밀이 필요하지 않다는 것을 증명하고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.