본 논문은 의료 분야에서 활용되는 다중 모달 대규모 언어 모델(MLLM)의 실질적인 적용에 있어 자원 효율성, 진단 정확도, 임상적 고려 사항 및 윤리적 프라이버시 문제와 같은 중요한 과제를 해결하기 위해 Infi-Med 프레임워크를 제안한다. Infi-Med는 최소한의 샘플로 고품질의 지도 학습 미세 조정(SFT) 데이터셋을 큐레이팅 및 구성하는 자원 효율적인 접근 방식, 다중 모달 통합 및 임상 과제 이해를 위한 향상된 다중 모달 추론 기능, 그리고 의료 모달과 과제 유형에 걸쳐 모델 성능을 평가하는 체계적인 평가 시스템이라는 세 가지 핵심 혁신을 도입한다. 실험 결과, Infi-Med는 일반적인 의료 추론에서 최첨단(SOTA) 성능을 달성하는 동시에 임상 시나리오에 대한 빠른 적응성을 유지함을 보여준다. 이 프레임워크는 모델 효과와 운영 제약 간의 균형을 맞춤으로써 실제 의료 환경에서 MLLM을 배포하기 위한 견고한 기반을 마련한다.
시사점, 한계점
•
시사점:
◦
최소한의 데이터로 고성능 의료 MLLM을 학습시키는 효율적인 방법 제시
◦
다양한 의료 모달 간 통합 및 임상 과제 이해를 위한 향상된 추론 능력
◦
실제 의료 환경 적용을 위한 MLLM 배포의 실현 가능성 제시
◦
의료 MLLM 성능 평가를 위한 체계적인 평가 시스템 제안
•
한계점:
◦
제안된 프레임워크의 실제 의료 환경에서의 장기적인 안정성 및 확장성에 대한 추가 연구 필요
