Words

lesion : 장애

Pathological : 병리적인

Disentangle : 풀다

5C

1. Category : Medical VLM에 대한 방법론 제시 및 새로운 Medical VLM 제안
2. Context :
   • Medical Foundation VLMs: Lingshu, Citrus-V 등 기존 모델들이 광범위한 의학 지식은 갖췄으나 실제 임상 워크플로우(병변 탐지, 시계열 추적)에는 최적화되지 않았다는 점을 문제로 삼습니다.
   • Zero-Shot Anomaly Detection: 산업용 및 의료용 이상 탐지 기술(AnomalyGPT 등)의 흐름을 따릅니다.
   • Visual Soft Prompt Tuning: 기존 Vision Encoder의 안정성을 유지하면서 이상 탐지에 적응시키기 위해 사용되었습니다.
3. Correctness : 범용적인 의학 지식만으로는 실제 임상 현장에서 필요한 병변 탐지, 시계열 추적, 시각적 설명력을 동시에 충족할 수 없다는 가정 하에 연구가 시작됨. 또한 이상 징후와 시계열적 차이를 별도의 토큰으로 명시화 하는 것이 모델의 추론 정확도를 높일 것이라고 가정했으며, 실험을 통해 증명
4. Contributions :
   • 기존 Medical VLM은 이상 탐지를 implict하게 진행하여 ‘어쩌다보니’ 이상을 찾았지만 본 논문은 <Ano> 토큰을 transformer 레이어에 주입하여 explicit하게 어디서 문제가 발생하는지 확인.
   • <Diff> 토큰을 주입하여 동일 환자에게서 촬영한 여러 이미지들의 anomaly를 추출하여 temporal한 특징도 잡을 수 있게 함.
   • Heatmap decoder를 설계하여 black-box reasoning과 임상적 신뢰를 연결함.
   • 탐지->비교->설명으로 이어지는 임상 진단 워크플로우를 모델의 학습 단계에 그대로 이식(stage-wise learning curriculum)