Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Language Models for Automated Classification of Brain MRI Reports and Growth Chart Generation

Created by
  • Haebom
Category
Empty

저자

Maryam Daniali, Shivaram Karandikar, Dabriel Zimmerman, J. Eric Schmitt, Matthew J. Buczek, Benjamin Jung, Laura Mercedes, Jakob Seidlitz, Vanessa Troiani, Lena Dorfschmidt, Eren Kafadar, Remo Williams, Susan Sotardi, Arastoo Vosough, Scott Haag, Jenna M. Schabdach, Aaron Alexander-Bloch

개요

본 논문은 의료 영상 분석의 어려움과 데이터 이질성 문제를 해결하기 위해, 44,661건의 뇌 MRI 보고서를 이용하여 BERT, BioBERT, ClinicalBERT, RadBERT 등의 언어 모델을 미세 조정하여 뇌 MRI 보고서를 정상 또는 비정상으로 분류하는 모델을 개발했습니다. 또한 Gemini 1.5-Pro를 이용하여 정상 보고서 분류에 대한 추론 능력을 탐색하고, 언어 모델로 분류된 정상 스캔으로부터 뇌 성장 차트를 생성하여 기존의 사람이 만든 차트와 비교 분석했습니다. 미세 조정된 언어 모델은 높은 분류 성능(F1-Score > 97%)을 달성했으며, 불균형 데이터 학습을 통해 클래스 불균형 문제를 완화했습니다. 전체 텍스트를 사용한 경우 요약(소견) 부분만 사용한 경우보다 성능이 더 좋았고, Gemini 1.5-Pro는 특히 임상적 추론에서 유망한 분류 성능을 보였습니다. 언어 모델 기반 뇌 성장 차트는 사람이 작성한 차트와 거의 일치했습니다 (r = 0.99, p < 2.2e-16). 이 연구는 대규모 데이터셋에서 뇌 MRI의 자동 분류를 가능하게 하는 언어 모델 기반의 확장 가능한 방사선 보고서 분석 방법을 제시하며, 정량적 영상 특징의 벤치마킹을 위한 뇌 성장 차트의 자동 생성과 같은 응용 분야에 활용될 수 있습니다.

시사점, 한계점

시사점:
대규모 뇌 MRI 보고서 데이터셋을 이용한 정확하고 효율적인 자동 분류 시스템 개발.
다양한 언어 모델의 성능 비교 및 최적 모델 제시.
뇌 성장 차트 자동 생성을 통한 정량적 영상 분석의 자동화 가능성 제시.
Gemini 1.5-Pro와 같은 최신 언어 모델의 의료 영상 분석 분야 적용 가능성 확인.
한계점:
데이터 이질성 문제에 대한 추가적인 연구 필요.
언어 모델 추론 성능 최적화 필요.
👍