DAMO RADAR 공개: 대부분의 영상의학과 의사를 앞선 알리바바의 오픈 CT 모델

연구 결과는 Science에 실렸고, 코드는 다음 날 GitHub에 Apache-2.0으로 올라왔다. 대부분의 의료 영상 모델이 하나의 질환이나 하나의 장기만 다루는 것과 달리 이 모델은 범용 모델이다.

작동 방식

사람이 직접 표시한 영상으로 배우지 않고, 조영 증강 복부 CT 검사 42만 건과 의사들이 이미 써 둔 판독 보고서를 짝지어 학습했다. DAMO Academy는 이 보고서들을 해부학 정보가 담긴 1,500만 개의 이미지-텍스트 쌍으로 바꿨다. 덕분에 비전-언어 모델이 사람의 수작업 주석 없이 각 문구를 그 문구가 설명하는 장기와 연결할 수 있다. 하나의 모델이 좁은 범위가 아니라 146가지 소견을 다루는 이유이다.

주요 스펙

입력: 조영 증강 복부 CT; 범위: 18개 장기에 걸친 146가지 소견; 학습 데이터: 검사 42만 건, 이미지-텍스트 쌍 1,500만 개; 코드 라이선스: Apache-2.0; 가중치 라이선스: CC BY-NC-SA 4.0(연구용); 제공처: GitHub와 Hugging Face.

성능

영상의학과 의사 26명(14개 기관)이 참여한 판독자 연구에서 RADAR는 그중 23명보다 좋은 성과를 냈다. 더 실용적인 결과는 보조 시의 효과이다. 의사들이 RADAR의 결과를 보면서 판독했을 때 진단 민감도가 약 10% 올랐다. 이는 대체가 아니라 두 번째 판독자 역할을 가리킨다.

급성 복부 증상은 학습하지 않았는데도 그 경우에 AUC 0.904를 기록했다. 병리로 확진된 간, 췌장, 위, 대장 네 가지 암에서는 AUC가 0.891에서 0.984 사이였다.

왜 중요한가

영상의학과는 인력이 부족하고 복부 CT는 검사량이 가장 많은 영상 중 하나이다. 가중치가 공개되어 있으니 병원과 연구자가 업체의 말만 믿지 않고 자신의 데이터로 이 주장을 시험해 볼 수 있다.

라이선스와 임상 사용 범위

가중치는 상업적으로 쓸 수 없다. 라이선스가 나뉘어 있어서 GitHub의 코드는 Apache-2.0이지만 Hugging Face의 체크포인트는 CC BY-NC-SA 4.0으로, 연구는 허용하되 동일 조건 변경 허락 표시를 요구하고 상업적 배포는 막는다. 제품에 넣으려면 알리바바 DAMO Academy와 별도 계약이 필요하다.

임상용으로도 승인되지 않았다. 의료기기 소프트웨어(Software as a Medical Device) 경로의 승인이 없으므로 진단 제품이 아니라 연구용 공개이다. Science 연구는 과거 검사에서 영상의학과 의사와 비교한 성능을 측정한 것이며, 실제 환자에게 쓰려면 시장마다 규제 승인과 해당 병원의 스캐너 및 환자 구성에 맞춘 자체 검증이 필요하다.

가중치 받는 법

체크포인트는 Hugging Face의 radar-generalist 계정에 있고, RADAR-auxiliary-data 데이터셋과 영어, 중국어 BERT 토크나이저도 함께 있다. 저장소의 download_checkpoints.py와 download_auxiliary_data.py로 직접 받지 않고도 내려받을 수 있다. 사전 학습된 RADAR 체크포인트와 처음부터 학습한 RADAR+, 미세 조정 변형이 모두 공개되어 있다. 주요 대상은 의료 영상 연구자와 임상 AI 팀이다.

정리하며

요약하면 DAMO RADAR는 조영 증강 복부 CT 한 가지 영상 유형에 집중하면서도 18개 장기, 146가지 소견을 한 번에 다루는 범용 모델이다. 판독자 연구에서 영상의학과 의사 26명 중 23명을 앞섰고, 보조로 쓰면 진단 민감도가 약 10% 올라갔다는 결과가 핵심이다. 다만 코드와 가중치의 라이선스가 다르고, 임상 승인이 없는 연구용 공개라는 점을 분명히 해야 한다. 병원이나 연구팀이 활용하려면 자체 데이터로 성능을 검증하는 일부터 시작하는 것이 순서이다. GitHub 저장소를 복제한 뒤 download_scripts 폴더의 download_checkpoints.py를 실행하면 체크포인트를 바로 받을 수 있다.