Tri‑Reader: 오픈소스 3단계 AI 파이프라인으로 폐결절 초벌 주석 자동화

초록

Tri‑Reader는 공개된 폐분할·결절 검출·악성도 분류 모델을 순차적으로 결합한 3단계 파이프라인이다. 첫 단계에서 두 개의 CADe 모델(ROI‑only와 FP‑aware)로 고신뢰 후보를 추출하고, 두 번째 단계에서 두 CADx 모델의 평균 악성도 점수가 임계값을 넘는 경우 0.5 신뢰도로 승격한다. 마지막 단계에서는 남은 후보 중 CADe 점수가 0.2 이상인 것을 최종 후보로 포함한다. 내부·외부 4개 데이터셋에서 기존 LUNA16‑De 대비 후보 수를 40‑55% 줄이면서 민감도는 유지·소폭 향상하였다.

상세 분석

Tri‑Reader는 기존에 개별적으로 제공되던 오픈소스 모델들을 체계적으로 통합한 점이 가장 큰 강점이다. 첫 단계에서 MONAI 3D RetinaNet 기반의 두 검출기(CADe‑ROIonly, CADe‑FPaware)를 동시에 적용해 교차 검증된 후보만을 1.0 신뢰도로 승격함으로써 초기 FP를 크게 억제한다. 특히 FP‑aware 모델은 하드‑네거티브 마이닝을 통해 거짓 양성을 최소화하도록 설계돼, 폐 외부 잡음이나 혈관 구조에 대한 오탐을 효과적으로 차단한다.

두 번째 단계에서는 서로 다른 데이터 분포(LUNA25, DLCS24)에서 학습된 두 CADx 모델(LUNA25‑CADxr50, DLCS24‑CADxr50SWS)의 악성도 점수를 평균해 0.5 신뢰도로 승격한다. 이는 “악성도‑우선” 전략으로, 임상적으로 중요한 결절(특히 10‑20 mm, 고위험 특징을 가진 결절)을 놓치지 않으면서도 비악성 소형 결절을 후보에서 제외한다.

세 번째 단계는 남은 후보에 대해 낮은 임계값(0.2)만 적용해 최종 리스트를 만든다. 이렇게 단계별로 점진적인 필터링을 수행함으로써 전체 후보 수를 평균 2배 이상 감소시키면서도 1 FP/scan당 민감도는 0.68~0.80 수준을 유지한다.

데이터셋 다양성 측면에서도 주목할 만하다. 미국 내 DLCS24, LUNA16/25, VLST 등 다중 기관·시기 데이터를 개발에 활용했으며, 포르투갈 LNDbv4와 중국 IMD‑CT 등 국제 외부 테스트를 통해 모델의 일반화 능력을 검증했다. 특히 LNDbv4에서는 라디오로지스트 합의 정도와 모델 신뢰도 간에 높은 상관관계가 관찰돼, 모델 점수가 주석 우선순위 지표로 활용될 가능성을 시사한다.

한계점으로는 오픈소스 모델 자체의 품질에 의존한다는 점과, 임계값이 특정 검증 코호트에 최적화돼 있어 현장 적용 시 재조정이 필요할 수 있다는 점이다. 또한 현재는 후향적 데이터에만 평가했으며, 실제 임상 워크플로우에서의 시간 절감 효과와 주석 품질에 대한 전향적 연구가 요구된다. 향후 사이트별 캘리브레이션, 장기 스크리닝 시나리오 적용, 비전‑언어 모델 연계 등 확장 가능성이 넓다.