흉부 방사선 사진(chest radiograph)을 편집하려면 관련 없는 내용을 보존하면서 요청된 변경 사항을 완성해야 합니다. 본 연구에서는 지시문과 무관한 소스 궤적과 지시문 조건부 편집 궤적을 갖춘 잠재 확산(latent diffusion) 편집기를 다룹니다. 학습된 게이트는 실행되는 각 단계에서 샘플러 이후 후보들을 혼합하며, 별도의 이미지 공간 마스크가 디코딩된 제안과 소스를 합성합니다. MIMIC 기반 2,400건의 요청 중 2,244건의 결과물이 목표, 보존, 품질 및 커버리지에 대한 공동 루브릭을 충족했으며(93.5%), 목표 달성률은 97.4%였습니다. 공동 유효성(joint validity)은 매칭된 합성 전용 대조군보다 1.7%p 높았습니다(대응 환자 클러스터 95% 신뢰구간, 0.6--2.8). 고정된 학습 마스크 조건에서 학습된 게이트 제안은 공동 유효성을 1.6%p 향상시켰으며(0.8--2.4), 고정된 학습 제안 조건에서 학습된 마스크는 이를 2.6%p 향상시켰습니다(1.7--3.5). 3개의 학습 시드에 걸친 평균 공동 유효성은 93.5%였으며 표본 표준편차는 0.3%p였습니다. 240건의 요청에 대한 블라인드 평가 결과, 전체 편집기는 93.3%, 합성 전용은 91.7%의 판정된 공동 유효성을 보였습니다. 보호 영역의 평균 절대 오차(MAE)는 원본 제안의 0.0190에서 합성 후 0.0075로 감소했습니다. 이러한 결과는 평가 코호트에서 제안에 미치는 순환 게이팅 효과와 최종 합성을 통한 보존 효과를 명확히 구분해 줍니다.
From Classification to Localization and Clinical Validation: Large-Scale Development of a Deep Learning System for Thoracic Disease Detection on Chest Radiographs in Thailand
흉부 방사선 촬영(CXR)은 가장 널리 사용되는 흉부 영상 기법이지만, 태국과 동남아시아 전반에 걸친 심각한 방사선 전문의 부족으로 인해 전문가 판독에 제약이 있다. 태국 데이터에 대한 심층 학습 모델의 현지 적응이 태국 인구에서의 정확도를 실질적으로 향상시키는 것으로 나타났다. 본 연구에서는 단일 모델 내에서 다중 레이블 흉부 질환 분류와 약지도 병변 위치 추정을 수행하는 심층 학습 시스템인 Inspectra CXR 버전 5의 흉부 방사선 사진 분석 모델의 개발 및 종합 검증을 제시한다. 이 아키텍처는 DenseNet-121 백본에 Attend-and-Compare Modules(ACM)와 Probabilistic Class Activation Map(PCAM) 집계 층을 결합하여, 질환별 분류 점수와 히트맵을 동시에 생성한다. 모델은 방콕 시리라즈 병원의 방사선 전문의 보고서가 쌍으로 연결된 874,858장의 정면 흉부 방사선 사진으로 개발되었다. 방사선 전문의가 검증한 19,871건의 도메인 내 테스트 세트에서 임상적으로 중요한 9가지 질환에 걸쳐 평균 AUROC 0.994(평균 민감도 92.4%, 특이도 98.6%)를 달성하였다. 태국 전역 13개 병원의 5,992건으로 구성된 독립적인 일반화 세트에서는 평균 AUROC 0.970을 기록하여, 기관 간 강건한 전이 능력을 입증하였다. 방사선 전문의가 주석을 단 4,549건을 대상으로 평가한 위치 추정에서는 이미지당 0.59건의 비병변 위치 추정을 허용하는 조건에서 평균 병변 위치 추정 비율(LLF) 77.9%를 달성하였다. 흉부 방사선 전문의 5명과의 사용성 평가에서 시스템은 분류 일치율 93.6%, 위치 추정 일치율 94.7%, 평균 System Usability Scale(SUS) 점수 89를 기록하였다. 이러한 결과는 현지 개발된 위치 추정 가능 CXR 시스템이 높은 정확도를 제공하고, 이질적인 태국 병원 환경에서 일반화되며, 임상 방사선 전문의의 신뢰를 얻을 수 있음을 보여준다.
CheXanatomy는 CT 볼륨에서 합성한 흉부 X-ray와 투영 분할 레이블로, 사전학습된 비전-언어 모델(VLM)이 다음 토큰 예측으로 해부학적 분할 마스크를 생성하도록 자기회귀 토큰 공간 감독을 적용하는 프레임워크다. 분포 내에서는 U-Net과 유사한 성능을 보이고 실제 CXR로의 도메인 이동에서 기하학적 견고성이 개선되며, 제한된 감독 하 새로운 국소화 작업에도 샘플 효율성이 향상된다.