시간 변화를 고려한 방사선 보고서 생성 프레임워크 TALON
TALON: A Temporally Aware Longitudinal Framework for Radiology Report Generation
arXiv기존 방사선 보고서 생성 모델은 단일 검사에 의존하여 환자의 장기적인 경과 변화나 미묘한 간격 차이를 포착하는 데 한계가 있었습니다.
- 시간적 인지 능력을 갖춘 TALON 프레임워크는 '듀얼 채널 시간 융합 모듈(DCTFM)'을 활용해 현재 검사와 모든 이전 기록을 비교 분석합니다.
- 이 모듈은 지속적인 소견(유사성)과 간격별 변화를 동시에 포착하여, 임상적 판단의 정확도를 획기적으로 높일 수 있습니다.
- TALON은 이전 검사 자료가 많을수록 성능이 향상되는 것을 입증하며, 복잡하고 긴 환자 병력 분석에 강점을 가집니다.
기존의 방사선 보고서 생성(RRG) 모델들은 보통 단일 검사에 기반하거나 가장 최근의 이전 기록에 의존하여, 환자의 장기간에 걸친 의미 있는 비교나 미묘한 간격 변화를 포착하는 데 한계가 있었습니다. 이러한 문제를 해결하기 위해 TALON(Temporally Aware LONgitudinal RRG framework)이 제안되었으며, 이 프레임워크는 가변 길이의 환자 병력을 적응적으로 통합하여 사용합니다.
TALON은 핵심 구성 요소인 '듀얼 채널 시간 융합 모듈(DCTFM)'을 활용해 현재 검사와 각 이전 검사를 비교 분석합니다. DCTFM은 지속적인 소견을 포착하는 유사성 채널과 간격별 변화를 포착하는 변화 채널을 통해 정보를 얻습니다. 또한, 이 구조는 채널별 어텐션을 이용해 각 이전 기록의 관련성을 추정하고, 학습된 게이트가 정보성 종단적 증거를 통합하며 중복성을 억제합니다.
MIMIC-CXR 데이터셋으로 진행된 실험 결과에 따르면, TALON은 다양한 임상 효능 및 그래프 기반 지표에서 현존 최고 수준의 성능을 달성했습니다. 특히 이전 검사 자료가 많아질수록 모델의 성능이 더욱 향상되는 것이 확인되었으며, 이는 복잡하고 긴 환자 병력 전반에 걸친 종단적 RRG 모델링 능력을 강조합니다.