ViBMR: 베트남어 판독문 생성을 위한 대규모 다중 시퀀스 뇌 MRI 데이터셋과 종합 평가

문제

뇌 MRI 판독문 생성 데이터는 영어 위주다. 또 분할용 데이터셋에 판독문을 나중에 작성해 붙인 경우가 많아, 실제 병원 판독 흐름과 다르다. 베트남어처럼 자원이 적은 언어로 쓰인 실제 임상 판독 데이터는 없었다.

방법

베트남의 한 3차 병원에서 환자 3,649명, MRI 시리즈 11,875개를 모았다. 시퀀스는 T1, T2, FLAIR, 조영 T1이며, 비식별화한 판독문에서 소견(findings) 부분을 정답으로 추출했다. 볼륨은 1mm 등방성으로 리샘플링하고 HD-BET로 뇌 영역만 남겼다. 분할로 사전학습한 M2FTrans·mmFormer 인코더로 시퀀스별 특징을 뽑았다. 이 특징을 평균, 학습 가중치, 공간·채널 게이팅, 교차 어텐션 등으로 융합해 LLM 디코더에 넣었다. 연구 질문은 MR-RATE와의 교차 데이터셋 격차, 분할 사전학습 인코더의 효과, 융합 전략 비교, 시퀀스 조합의 영향 4가지다.

결과

• 시퀀스 구성은 T1·T2·FLAIR 조합이 2,411건으로 가장 많았다. 4개 시퀀스를 모두 가진 연구는 939건, T2·FLAIR·조영 T1 조합은 283건이었다.
• 소견은 long-tail 분포를 보였다. 소혈관 질환이 가장 흔했고, 부비동 점막 비후, 뇌경색, 출혈이 뒤를 이었다. 판독문 하나에 여러 부위의 여러 소견이 함께 나오는 경우가 많았다.
• 저자들은 실험을 통해 베트남 원천 판독문을 안정적으로 생성하려면 해당 언어로 된 실제 임상 데이터셋이 필요하다고 보고했다. 다만 제공된 본문에는 구체적인 수치가 포함되지 않았다.

한계

단일 병원 데이터라 다른 기관·장비로 일반화하는 데 한계가 있다. 분할 주석은 없고 판독문의 소견 부분만 정답으로 쓴다. 시퀀스 구성이 불균형하고 희귀 소견 표본이 적다. 비상업적 연구용으로만 공개할 예정이다. 제공된 본문은 실험 결과 이전에서 잘려 있어, 모델 성능 비교의 세부 수치는 이 리뷰에 담지 못했다.

의미

저자원 언어 의료 AI에서 번역하거나 재작성한 판독문이 아닌 실제 임상 판독문 기반 데이터가 필요하다는 점을 보여준다. 다중 시퀀스 MRI를 어떻게 융합할지에 대한 기준선도 제공한다.

핵심 용어

다중 시퀀스 MRI

T1, T2, FLAIR, 조영 T1처럼 촬영 조건을 달리해 얻은 여러 영상이다. 부종, 병변, 조영 증강 등 서로 다른 정보를 보완적으로 준다.

판독문 생성(Radiology Report Generation)

의료 영상을 입력받아 영상의학과 의사가 쓰는 소견 문장을 자동으로 만드는 과제다.

모달리티 융합(Fusion)

시퀀스별로 뽑은 특징을 평균, 가중치, 게이팅, 어텐션 같은 방식으로 하나의 Representation으로 합치는 과정이다.

원문

• arXiv 초록
• PDF
• HTML 본문
• Hugging Face

저자: Dai Lam Le, Minh Khoi Nguyen, Son Dinh Nguyen, Amir Reza Jafari, Viet Ha, Nguyen Son, Reza Farahbakhsh, Noel Crespi, 외 · 게시 2026-10-21 · 라이선스 arXiv 비독점 배포 라이선스 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.