XGeM은 의료 영상 데이터의 다양한 모달리티 간 유연한 상호 변환을 지원하는 67억 매개변수의 다중 모달 생성 모델입니다. 기존의 단일 모달, 단방향 합성 방식의 한계를 극복하고자 대조 학습을 통해 공유잠재 공간을 구축하고, 임의의 입력 모달리티 부분집합을 조건으로 하는 다중 프롬프트 학습 전략을 도입했습니다. 이를 통해 다양한 임상 입력에 적응하고, 의미 및 구조적 일관성을 유지하면서 여러 출력을 동시에 생성할 수 있습니다. MIMIC-CXR 데이터셋을 사용한 경쟁 모델들과의 비교 실험, 전문 방사선과 의사를 대상으로 한 시각적 튜링 테스트, 그리고 데이터 익명화, 클래스 불균형, 데이터 부족과 같은 의료 데이터 과제 해결에 대한 실험을 통해 XGeM의 성능과 유용성을 검증했습니다.
