본 논문은 암 진단을 위한 AI 모델 재훈련의 어려움을 해결하기 위해, 소수의 표본만을 이용한 few-shot 학습(in-context learning, ICL) 방식을 제안하고 평가한 연구입니다. Paligemma, CLIP, ALIGN, GPT-4o 등 네 가지 vision-language model(VLM)을 사용하여 MHIST, PatchCamelyon, HAM10000 세 가지 암 데이터셋에 대한 성능을 비교 분석했습니다. 모델 재훈련 없이도, few-shot prompting을 통해 모든 모델에서 성능 향상을 보였으며, 특히 GPT-4o는 이진 분류에서 0.81, 다중 분류에서 0.60의 F1 score를 달성했습니다. 이는 완전히 미세 조정된 시스템의 성능에는 미치지 못하지만, 소수의 예시만으로도 임상의의 사례 기반 추론과 유사하게 특정 작업에 적응할 수 있는 ICL의 잠재력을 보여줍니다. 특히 Paligemma와 CLIP과 같은 오픈소스 모델의 경쟁력 있는 성능은 자원 제약이 있는 환경에서의 활용 가능성을 시사합니다. 본 연구는 희귀 암이나 자원이 부족한 환경에서 모델 재훈련이 어려운 상황에서 ICL이 실용적인 해결책이 될 수 있음을 강조합니다.
