최근 의료 영상 정보학 관리 학회(SIIM)에서 발표된 연구 결과에 따르면, 유방 영상에서 우연히 발견되는 병변(incidental breast findings)을 라벨링하는 데 소형 시각 모델(CVM, Compact Vision Model)이 대규모 언어 모델(LLM, Large Language Model)과 동등한 수준의 정확도를 보인다고 합니다. 이는 의료 AI 분야에서 반드시 거대한 모델만이 최적의 해답은 아니라는 중요한 시사점을 제공합니다.
해당 연구는 유방 영상 판독 보고서에서 우연히 발견된 유방 병변을 식별하고 분류하는 작업을 대상으로 진행되었습니다. 연구팀은 특정 의료 영상 데이터셋에 CVM과 LLM을 각각 적용하여 라벨링 성능을 비교했습니다. 일반적으로 LLM은 방대한 텍스트 데이터를 학습하여 복잡한 언어 이해 및 생성 능력을 갖추지만, 의료 영상 분석과 같은 시각 정보 처리에는 추가적인 변환 과정이나 멀티모달(multimodal) 접근이 필요해 복잡성이 증가할 수 있습니다. 반면 CVM은 특정 시각 작업에 최적화된 경량 모델로, 적은 연산 자원으로도 효율적인 성능을 낼 수 있는 장점이 있습니다.
이번 연구 결과는 의료 AI 솔루션 개발에 있어 실용적인 대안을 제시합니다. LLM은 강력하지만 막대한 컴퓨팅 자원과 비용을 요구하는 반면, CVM은 훨씬 적은 자원으로도 유사한 정확도를 달성할 수 있어 비용 효율적입니다. 이는 특히 자원 제약이 있는 병원이나 연구 환경에서 AI 도입의 문턱을 낮추고, 더 빠르고 효율적인 진단 보조 시스템 구축을 가능하게 할 것입니다. 또한, 특정 의료 분야에 특화된 경량 모델 개발의 중요성을 강조하며, 의료 AI의 상용화 및 확산에 긍정적인 영향을 미칠 것으로 기대됩니다.