임상 의미 평가 프레임워크 CSEval 텍스트투이미지 생성의 임상 의미 정밀 검증

초록

본 논문은 의료 텍스트‑투‑이미지 생성 모델의 임상 의미 적합성을 평가하기 위해 CSEval이라는 새로운 프레임워크를 제안한다. CSEval은 생성된 의료 영상에 대해 자동 보고 생성 모델(MAIRA‑2)로 텍스트 보고를 만든 뒤, RadGraph‑XL을 이용해 임상 엔터티와 관계를 추출하고, 원본 프롬프트와 비교해 RadGraph‑F1 점수를 산출한다. 실험 결과, 기존 이미지‑중심 지표(FID, MS‑SSIM, CLIP‑score)보다 전문가 방사선과의 평가와 높은 상관성을 보이며, 임상 의미 불일치를 효과적으로 탐지한다.

상세 분석

CSEval은 기존 이미지‑중심 메트릭이 놓치기 쉬운 “임상 의미”를 정량화하려는 시도로, 텍스트 공간에서의 비교를 핵심 아이디어로 삼는다. 먼저, 사용자 정의 프롬프트를 라텐트 디퓨전 모델에 입력해 310장의 합성 흉부 X‑ray를 생성한다. 생성된 이미지에 대해 최신 보고 생성 모델인 MAIRA‑2를 적용해 자동으로 방사선 보고를 만든다. MAIRA‑2는 이미지 내 병변 위치를 바운딩 박스로 표시해 공간 정보를 포함하므로, 보고 텍스트가 실제 영상 내용과 높은 일치성을 기대할 수 있다. 그 다음, RadGraph‑XL이라는 도메인 특화 엔터티 추출 모델을 사용해 보고와 원본 프롬프트 모두에서 “관찰(Observation)”, “해부학적 구조(Anatomical Location)”, 그리고 이들 간 관계를 그래프 형태로 추출한다. 두 그래프 사이의 F1 점수(RadGraph‑F1)를 계산함으로써, 생성 이미지가 프롬프트에 명시된 병변 종류, 중증도, 위치 등을 얼마나 정확히 재현했는지를 수치화한다.

실험에서는 네 가지 흉부 질환(심장비대, 흉수, 폐음영, 기흉)에 대해 FID, MS‑SSIM, BioVIL‑T(CLIP) 점수와 비교하였다. 예를 들어, 기흉에 대한 MS‑SSIM와 BioVIL‑T 점수는 폐음영과 유사했지만, 전문가 평가는 기흉이 현저히 낮은 임상 적합성을 보였다. 반면 CSEval의 RadGraph‑F1 점수는 전문가 순위와 일치했으며, Kendall τ 상관계수(τ=0.375)도 기존 CLIP‑score(τ=0.291)보다 우수했다. 이는 CSEval이 이미지‑텍스트 전반의 시각적 유사성보다 임상 의미 일치를 더 잘 포착한다는 증거이다.

한계점으로는 보고 생성 모델의 오류가 최종 점수에 전이될 가능성, 텍스트 길이·형식 등 비임상적 요인이 F1 점수에 영향을 미칠 수 있다는 점을 지적한다. 향후에는 엔터티 매칭 방식을 개선하고, 다중 모달리티(예: CT, MRI)로 확장하는 연구가 필요하다.