본 논문은 전 세계적으로 세 번째로 흔한 암 관련 사망 원인인 간세포암종(HCC)의 조기 진단 개선을 위한 새로운 AI 기반 접근법을 제시합니다. 초음파 검사가 비용 효율적이고 실시간으로 진행 가능하지만, 판독의 정확도가 영상의학과 전문의의 경험에 크게 의존하여 진단 결과의 일관성이 떨어지는 문제점을 지적합니다. 이를 해결하기 위해, CNN의 국소적 특징 추출과 Vision Transformer의 전역적 문맥 인식을 잠재 공간 표현과 희소 학습을 통해 결합한 새로운 하이브리드 아키텍처인 계층적 희소 쿼리 트랜스포머(HSQformer)를 제안합니다. MoE(Mixture-of-Experts) 프레임워크를 통해 작업별 전문가를 동적으로 활성화하여 계층적 특징 통합을 구현하며 구조적 중복성을 제거합니다. 단일 센터, 다중 센터, 고위험 환자군의 세 가지 임상 시나리오에서 평가한 결과, HSQformer는 최첨단 모델들을 능가하는 성능(다중 센터 테스트에서 AUC 95.38%)을 보였으며, 상급 의사의 진단 정확도에 근접하면서 하급 의사보다 훨씬 우수한 성능을 나타냈습니다. 이는 AI 지원 도구가 HCC 선별 검사의 표준화, 전문가 의존도 감소, 조기 진단율 향상에 기여할 가능성을 보여줍니다. 소스 코드는 깃허브에서 공개됩니다.
