의료 영상 분석 분야에서 파운데이션 모델(FMs)은 광범위한 임상 작업과 영상 모달리티에 걸쳐 일반화 가능한 솔루션을 제공하며 혁신적인 패러다임으로 부상했습니다. 대규모 데이터로부터 전이 가능한 표현을 학습하는 능력은 기존의 작업별 모델의 한계를 해결할 수 있는 잠재력을 가지고 있습니다. 그러나 FMs의 실제 임상 적용은 도메인 이동, 고품질 주석 데이터의 제한된 가용성, 상당한 계산 요구 사항 및 엄격한 개인 정보 보호 요구 사항과 같은 주요 과제로 인해 제한됩니다. 본 논문은 의료 영상의 특정 요구 사항에 FMs를 적용하기 위한 전략에 대한 포괄적인 평가를 제시합니다.
시사점, 한계점
•
시사점:
◦
파운데이션 모델은 의료 영상 분석에서 일반화된 솔루션을 제공할 잠재력이 있습니다.
◦
다양한 임상 작업과 영상 모달리티에 적용 가능합니다.
◦
대규모 데이터에서 전이 가능한 표현을 학습할 수 있습니다.
◦
지도 미세 조정, 도메인별 사전 훈련, 매개변수 효율적인 미세 조정, 자기 지도 학습, 하이브리드 방법 및 멀티모달 또는 교차 모달 프레임워크와 같은 다양한 적응 전략이 존재합니다.
•
한계점:
◦
도메인 이동, 고품질 주석 데이터의 부족, 높은 계산 요구 사항, 엄격한 개인 정보 보호 요구 사항 등 실제 임상 환경 적용에 제약이 있습니다.
◦
기존 연구에서 간과된 트레이드 오프와 해결되지 않은 과제가 존재합니다.
◦
지속적인 학습, 연합 학습 및 개인 정보 보호, 하이브리드 자기 지도 학습, 데이터 중심 파이프라인, 체계적인 벤치마킹 등과 같은 새로운 연구 방향이 필요합니다.
