시각-언어 모델(VLM)은 피부과 진단에 잠재력을 보이지만, 데이터 이질성, 근거 기반 진단적 추론의 부재, 확장성 및 일반화의 한계로 인해 신뢰성과 임상적 유용성이 제한됩니다. 이러한 한계를 해결하기 위해, 딥 러닝 기반의 텍스트 기반 추론과 강화 학습(RL)의 광범위한 일반화 능력을 결합한 새로운 피부과 VLM인 SkinR1을 제안합니다. SkinR1은 전문가 수준의 감독을 제공하는 텍스트 기반 추론 생성기, 근거 기반 추론 능력을 강화하는 지도 학습 미세 조정(SFT), 그리고 질병의 계층적 구조를 통합하여 대규모 희소 데이터에 이러한 추론 패턴을 효과적으로 전파하는 새로운 RL 패러다임을 포함하는 통합된 end-to-end 프레임워크를 사용합니다. 여러 피부과 데이터셋에 대한 실험 결과, SkinR1이 우수한 진단 정확도를 달성했으며, SFT에 의해 주입된 추론 기반의 중요성을 입증했습니다.
