PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.03193v1cs.CV

연구와 실제 임상의 간극 좁히기: 임상 피부 병변 분류에서 범용 모델과 피부과 특화 모델의 체계적 평가

Bridging Research and Practice: A Systematic Evaluation of Generalist and Dermatology-Specific Models in Clinical Skin Lesion Classification

최근 몇 년 동안 피부과 분야에서의 머신러닝 활용은 개념 증명(PoC) 연구를 넘어 잠재적 응용으로 나아가며 크게 성장했습니다. 그러나 임상 피부과는 여전히 도전적이며 해결되지 않은 문제로 남아 있습니다. 진단적 평가는 모호한 경우가 많고, 피부 병변은 높은 다양성을 보이며, 획득 양식(modality), 기기 품질, 환자 인구통계학적 특성의 차이로 인해 이러한 점이 더욱 복잡해집니다. 이러한 요인들은 안전하고 공평한 임상 적용에 적합한 강건한 모델의 개발을 저해합니다. 실제 임상으로의 전환을 지원하기 위해서는 최신 모델들이 이종 데이터 소스 전반에서 어떻게 일반화되는지 체계적으로 평가하는 것이 필수적입니다. 본 연구에서는 더모스코피(dermoscopic) 이미지와 스마트폰 기반 임상 사진을 아우르는 최신 피부과 데이터셋을 바탕으로 다양한 아키텍처를 벤치마크합니다. 최신 범용 및 의료 비전-언어 모델(VLM)과 파운데이션 모델의 강건성을 평가하고, 이를 임베딩(embedding) 기반 접근법 및 합성곱 신경망(CNN)을 포함한 태스크 특화 피부과 분류기와 비교합니다. 본 연구는 분포 변화(distribution shift), 모달리티 변화, 인구통계학적 다양성 하에서의 모델 성능 평가를 제공합니다. 현재의 최고 성능(SOTA) 모델과 임상 배치 요구 조건 사이의 격차를 정량화함으로써, 피부과를 위한 신뢰할 수 있고 접근 가능하며 임상적으로 적용 가능한 AI 시스템 개발에 기여하고자 합니다.

arXiv:2609.24190v1cs.CV

환자가 촬영한 피부 이미지에서 상용 멀티모달 AI 모델과 피부과 전문의의 성능 벤치마킹

Benchmarking Off-the-Shelf Multimodal AI Models Against Dermatologists on Patient-Captured Skin Images

인공지능(AI)은 최근 몇 년 동안 급속한 속도로 발전해 왔습니다. 초기에는 대규모 언어 모델(LLM)의 혁신이 광범위한 주목을 받았습니다. 그러나 최근 세대의 프론티어 AI 모델들은 비전 기능을 핵심으로 삼아 멀티모달 기능을 일급 시민(first class citizen)으로 도입했습니다. 본 논문에서는 환자가 제출한 이미지로부터 피부과 질환을 진단하는 작업에 대해 최근 출시된 3가지 모델을 평가합니다. 선택된 모델들은 가격 측면에서 중저가 티어에 해당하므로, 현재 AI 능력의 상한선이 아닌 하한선을 나타냅니다. 저자들은 각 이미지를 평가한 세 명의 공인 피부과 전문의 패널과 비교하여 AI의 성능을 평가하며, 4가지 흥미로운 발견점을 제시합니다. 첫째, 지표에 따라 테스트된 AI 모델들은 임상의 간 일치도(inter-clinician agreement) 측면에서 인간과 동등하거나 약간 뒤처집니다. 둘째, AI 모델에 신뢰도(confidence) 점수를 요구하면 잘 보정되지 않은(poorly calibrated) 답변이 생성되므로, 임상 환경에서 신뢰도 임계값의 사용에 의존해서는 안 된다는 점을 발견했습니다. 셋째, 추가적인 환자 메타데이터를 제공하는 효과는 모델에 따라 크게 다르며, 세 모델 중 하나는 고려된 모든 지표에서 성능이 저하되었습니다. 마지막으로, 모델 비용은 성능을 예측하지 못합니다. 테스트한 가장 성능이 우수한 모델의 비용은 건당 평균 0.0045달러에 불과합니다.

arXiv:2606.16794v2cs.CV

얼굴 피부 질환 분류 모델의 설명 가능성 평가를 위한 LLM 기반 시각적 설명 평가 프레임워크

LLM-Based Visual Explanation Evaluation Framework for Assessing the Explainability of Facial Skin Disease Classification Models

본 연구는 얼굴 피부 질환 진단에서 시각적 어텐션 설명을 평가하기 위한 도메인 특화 LLM 기반 시각적 설명 평가 프레임워크를 제안한다. 기존 연구는 주로 분류 성능 향상에 초점을 맞춰 왔으나, 시각적 설명이 임상적으로 관련 있는 병변 영역에 그라운딩(grounding)되어 있는지를 체계적으로 검토한 연구는 상대적으로 적다. 본 연구에서는 얼굴 피부 질환 이미지로부터 병변 중심의 어텐션 맵을 생성하기 위해 이미지 기반 시각적 어텐션 생성 알고리즘을 개발했다. 기존의 그래디언트 기반 설명 가능성 방법과 달리, 제안된 접근법은 색상 현저성(color saliency), 얼굴 공간 사전(facial spatial priors), 가우시안 스무딩(Gaussian smoothing), 어텐션 오버레이 시각화를 결합하여 임상적으로 해석 가능한 어텐션 맵을 생성한다. 또한 GPT-5.5, Gemini 3.5 Flash, Claude Sonnet 4.6을 사용하여 LLM-as-a-judge 평가 프레임워크를 설계하고, 병변 국소화와 설명 신뢰성 관점에서 생성된 시각적 설명을 평가했다.

arXiv:2607.13010v2cs.CV

DermDepth: 피부과를 위한 단안 단위 척도 3D 재구성 모델

DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology

피부과 진료에서는 상처 또는 피부암의 선별, 모니터링 및 진단의 핵심 요소로서 병변의 크기, 형태 및 질감을 측정하고 추적하는 것이 일상적으로 수행된다. 이 작업을 수행하기 위해 의료진은 일반적으로 상용 카메라 센서로 피부 표면을 촬영한다. 이러한 목표는 본질적으로 3D 정보로부터 이익을 얻을 수 있음에도 불구하고, 이로 인해 연구의 압도적인 초점이 2D 방법에 맞춰져 왔다. 본 논문에서는 추가 하드웨어 또는 다중 촬영 없이도 피부경 검사 및 거시적 사례 모두에서 밀집 단안 3D 재구성, 단위 척도 측정, 풍부한 표면 법선 텍스처 추정이 달성 가능함을 보인다. DermDepth는 피부과 영역을 위한 최초의 단일 시점 단위 척도 3D 모델이며, D-Synth는 픽셀 단위 정밀 3D 정보를 갖춘 최초의 합성 피부경 검사 데이터셋이다. 실험 결과, D-Synth로 DermDepth를 학습하면 실제 피부경 검사 데이터에 대한 단위 척도 오차가 16배 이상에서 1.1배 미만으로 교정되며, 기하학적 품질을 유지하면서 텍스처 풍부함이 증가한다. 소량의 실제 임상 샘플에 대한 미세조정을 통해 수 mm에서 수십 cm 범위, 다양한 피부 톤, 만성 상처 사례를 포괄하는 세 가지 실세계 벤치마크 전반에 걸쳐 본 방법이 일반화되며, 의학 문헌에 보고된 질병 크기와 대체로 일치하는 측정값을 산출한다. 모든 코드, 데이터 및 모델은 https://github.com/hectorcarrion/dermdepth 에서 이용할 수 있다.

arXiv:2607.12987v2cs.CV

공정하고 효율적인 악성 분류를 위한 다양한 피부과 영상의 제어 가능한 생성

Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification

정확한 피부과 진단은 자연스럽게 다양한 인구 집단에 걸친 공평한 성능을 필요로 하지만, 특히 대표성이 낮은 피부 톤과 희귀 질환에 대한 전문가 주석 이미지의 체계적 부족은 측정 가능하게 공정한 방법으로의 진전을 저해한다. 우리는 cgDDI(Controllable Generation of Diverse Dermatological Imagery)를 소개한다. 이는 (1) 다른 입력 속성을 방해하지 않고 사실적인 건강한 피부 샘플을 합성하고, (2) 단일 샘플 희귀 병변을 새로운 피부 톤과 위치에 비모수적으로 매핑하며, (3) 단 10개의 학습 샘플만으로도 효율적인 모수적 생성을 가능하게 하는 하이브리드 프레임워크이다. 이 프레임워크는 사람과 자동 분할 마스킹(segmentation masking)을 모두 지원하여, 사전에 만들어진 병변 마스크가 없는 데이터셋으로도 확장 가능하게 한다. 우리는 656장 이미지 데이터셋을 400배 이상 확장하고, 생검으로 확인된 Diverse Dermatology Images(DDI)와 전문가가 검증한 Fitzpatrick17k(F17k) 두 데이터셋에서 검증한다. DDI 벤치마크에서 합성 데이터만으로 학습한 경우 86.4%의 악성 분류 정확도를, 실제 데이터 미세조정과 함께 90.9%의 최신(state-of-the-art) 성능을 달성했으며, 공정성 지표에서도 선두 수준의 결과를 보였다. 교차 데이터셋 실험에서는 질병 중복이 거의 없음에도 불구하고, 보지 못한 F17k 데이터에서 +13.9%의 정확도 향상을 보였다. 공정성 연구를 더욱 지원하기 위해 26만 6천 개 이상의 합성 이미지, 코드, 생성 모델을 https://github.com/hectorcarrion/ControllableGenDDI 에서 공개한다.