압력 궤양(PUs)의 심각도(I-IV단계)를 정확하게 분류하는 것은 적절한 치료에 필수적이지만 미묘한 시각적 차이와 주관적인 해석으로 인해 어려움이 있습니다. FT-ARM(Fine-Tuned Agentic Reflection Multimodal model)은 압력 궤양 심각도 분류를 위해 agentic self-reflection 메커니즘을 갖춘 fine-tuned multimodal large language model (MLLM)입니다. 임상의 스타일의 진단 재평가를 바탕으로 FT-ARM은 시각적 특징과 텍스트에서 인코딩된 임상 지식에 대해 추론하여 예측을 반복적으로 개선하여 정확성과 일관성을 높입니다. LLaMA 3.2 90B에서 fine-tuned된 FT-ARM은 공개적으로 사용 가능한 Pressure Injury Image Dataset (PIID)에서 PU 단계 I-IV를 분류하는 데 85% 정확도를 달성하여 이전 CNN 기반 모델보다 +4% 향상되었습니다. FT-ARM은 라이브 추론을 위해 설계 및 테스트되었으며 임상적으로 근거있는 자연어 설명을 생성하여 해석 가능성과 신뢰성을 향상시켰습니다.
시사점, 한계점
•
시사점:
◦
압력 궤양 심각도 분류에서 85%의 정확도를 달성하여 기존 모델보다 향상된 성능을 보임.
◦
임상의 스타일의 진단 재평가 방식을 모방한 agentic self-reflection 메커니즘을 통해 정확성 및 일관성 향상.
