DADD 궤양성 대장염 모델은 중증도 이미지를 생성하지만 진단 판독기는 아니다
DADD는 네 가지 중증도 등급에 걸친 궤양성 대장염 내시경 이미지를 생성했지만, 새로운 대장내시경 이미지로 환자를 진단하는 모델은 아니다. DADD 궤양성 대장염 모델은 원본 이미지에 나타난 해부학적 구조를 보존하려 하면서 통제된 질병 진행 모습을 합성한다. 이는 AI가 중증도를 “판독”한다는 제목이 공개된 연구가 입증하지 않은 임상 기능을 암시할 수 있다는 점에서 중요한 구분이다.
연구진 Umut Dundar와 Alptekin Temizel은 터키 앙카라의 Middle East Technical University에서 DADD를 개발했다. 이 약어는 Disentangled Anatomy-Disease Diffusion을 뜻한다. 이들의 모델은 구조적 정보와 질환 관련 질감을 분리한 뒤, 요청된 Mayo Endoscopic Score에 해당하는 이미지를 생성한다.
동료 심사를 거친 DADD 연구는 2026년 8월 18일 Journal of Medical Imaging에 온라인으로 게재됐다. 핵심 결과는 자율 진단 시스템이 아니다. 통제 가능한 합성 이미지가 실제 훈련 데이터에 추가될 때 별도의 중증도 분류기를 개선할 수 있다는 근거다.
이로써 DADD는 대장내시경 영상에 중증도와 위치 점수를 직접 부여하는 UC-SCALE과 같은 시스템과는 다른 경쟁 구도에 놓인다. 핵심 질문은 합성 질병 진행 이미지가 임상적으로 오해를 부를 특징을 도입하지 않고 지속적인 데이터 문제를 해결할 수 있는지다.
DADD 궤양성 대장염 모델이 실제로 바꾼 것
DADD는 하나의 내시경 영상을 환자별 구조를 일관되게 유지하려 하면서 통제된 질병 중증도의 합성 버전으로 변환한다.
궤양성 대장염은 대장 내벽에 염증을 유발한다. 임상의는 내시경을 사용해 발적, 출혈, 혈관 변화, 미란, 궤양 등의 특징을 살핀다. 이러한 관찰은 질환 활성도를 판단하고 치료 결정을 내리는 데 도움이 된다.
Mayo Endoscopic Score, 즉 MES는 내시경 소견을 0부터 3까지의 네 가지 순서형 범주로 분류한다. MES 0은 비활성 질환을, MES 3은 심한 염증을 나타낸다. 이 순서형 구조는 서로 관련 없는 네 개의 라벨과 달리 범주에 의미 있는 방향성을 부여한다.
DADD는 이 순서형 척도를 제어 신호로 사용한다. 연구자는 내시경 이미지를 제공하고 다른 중증도 수준과 연관된 합성 버전을 요청할 수 있다. 그러면 모델은 원본의 해부학적 구조와 구성을 유지하려 하면서 질환 관련 외관을 바꾼다.
이는 단순히 “중증”으로 라벨링된 일반 이미지를 생성하는 것보다 까다로운 과제다. 점막 질감과 해부학적 구조는 같은 픽셀을 차지한다. 따라서 일반적인 이미지 인코더는 환자별 해부학적 구조와 모델이 바꿔야 하는 질환 징후를 뒤섞을 수 있다.
DADD는 해부학과 중증도를 위한 별도 표현을 사용해 이 문제를 해결한다. 해부학 경로는 사전 훈련된 이미지 인코더에서 시작한다. 두 번째 순서형 임베딩은 요청된 질환 수준을 나타낸다.
이 시스템에는 특징 정제기도 포함된다. 이는 어텐션을 사용해 해부학적 표현에서 질환과 상관된 채널을 억제한다. 의도된 결과는 원본 이미지의 기존 중증도에 관한 정보를 더 적게 담는, 더 정제된 구조 신호다.
이후 삼중 경로 교차 어텐션 메커니즘이 정제된 해부학 정보, 목표 질환 상태, 그리고 둘의 상호작용을 확산 네트워크에 제공한다. 네트워크는 이러한 입력을 각 계층에 걸쳐 다르게 전달한다. 더 깊은 특징은 전반적 구조에 영향을 주는 경향이 있고, 더 얕은 특징은 세밀한 질감을 보존한다.
마지막 주요 구성 요소는 델타 스티어링이다. 이 훈련이 필요 없는 제어 신호는 MES 1에서 MES 2로 이동하는 것처럼 중증도 임베딩 사이의 방향을 설명한다. 이를 통해 모델은 한 번의 생성 과정에서 명시적인 질병 전환을 수행할 수 있다.
이 결과는 진단보다는 반사실적 시각화로 이해하는 편이 더 적절하다. DADD는 기존 장면이 다른 중증도 조건에서 어떻게 보일지를 묻는다. 보이지 않은 환자에게 임상의가 어떤 점수를 부여해야 하는지는 확립하지 않는다.
이 차이는 프로젝트의 평가 전략도 설명한다. 연구진은 생성된 이미지가 요청된 등급과 닮았는지, 시각적 분포가 실제 데이터에 근접하는지, 그리고 하위 분류기 훈련에 도움이 되는지를 측정했다.
Labeled Images for Ulcerative Colitis 데이터셋에서 계층형 DADD 버전은 회귀 평가기의 quadratic weighted kappa 81.53과 root-mean-square error 0.46을 기록했다. 같은 프레임워크로 평가한 실제 이미지는 83.28 QWK와 0.47 RMSE를 기록했다.
Quadratic weighted kappa는 인접한 오류보다 큰 순서형 오류에 더 큰 불이익을 주면서 일치도를 측정한다. 따라서 MES 0을 MES 3으로 혼동한 예측은 인접 등급 간 혼동보다 더 심각하게 계산된다.
이 모델은 27.20의 Fréchet inception distance도 기록했다. FID는 생성 이미지 집합과 실제 이미지 집합의 통계적 특징을 비교하며, 일반적으로 값이 낮을수록 유사성이 높음을 의미한다. 다만 이는 임상적 충실성을 입증하는 지표가 아니라 간접적인 이미지 지표다.
가장 중요한 점은 DADD 이미지의 추가가 하위 분류기를 개선했다는 것이다. 실제 이미지만으로 훈련했을 때 정확도는 74.84%, QWK는 83.14였다. 합성 이미지를 추가하자 이 수치는 각각 77.75%와 85.77%로 상승했다.
증가 폭은 크지 않지만 논문의 실제 주장에는 의미가 있다. 합성 이미지는 훈련 데이터의 불균형을 완화하고 연구의 실험 환경 안에서 분류 성능을 개선했다. 연구진은 DADD 자체가 내시경 전문의나 임상 점수 체계를 대체할 수 있음을 보이지는 않았다.
궤양성 대장염 AI에 더 나은 훈련 데이터가 필요한 이유
압력의 원인은 모델 아키텍처의 부족이 아니라 불균형한 의료 이미지 데이터셋이다.
라벨이 지정된 데이터셋에서는 중증 사례가 경증 또는 비활성 사례보다 일반적으로 적다. 이러한 불균형은 분류기가 흔한 범주를 선호하도록 학습시키는 반면, 드물지만 임상적으로 중요한 소견에서는 어려움을 겪게 할 수 있다.
의료 데이터셋은 인터넷 규모의 이미지 컬렉션에는 없는 실무적 한계에도 직면한다. 대장내시경 이미지에는 민감한 건강 정보가 포함되며, 전문의의 주석이 필요하고 환자, 촬영 장비, 임상 기관, 장 정결 상태에 따라 달라진다.
내시경 프레임에는 흐림, 체액, 눈부심, 기구 또는 점막의 불완전한 시야가 포함될 수 있다. 보이는 패턴은 한 환자의 대장 내부에서도 달라질 수 있다. 따라서 단일 이미지는 더 큰 검사 중 일부만 포착한다.
DADD가 사용한 공개 LIMUC 데이터셋에는 564명의 환자로부터 얻은 이미지 11,276장이 포함돼 있다. 라벨은 네 가지 MES 등급을 포괄하지만 분포는 불균등하다. 이는 연구에 유용하면서도 희귀 범주 증강이 여전히 매력적인 이유를 보여 준다.
전통적인 증강은 실제 이미지를 자르거나, 뒤집거나, 회전하거나, 색상을 조정할 수 있다. 이러한 작업은 시각적 다양성을 늘리지만 비활성 질환에서 중증 질환으로 이어지는 의학적으로 일관된 전환을 만들지는 못한다.
생성 모델은 더 야심 찬 선택지를 제공한다. 출혈, 궤양, 변화된 혈관 패턴 또는 기타 중증도 연관 질감의 새 사례를 생성하려 시도할 수 있다. 연구진은 그런 사례를 과소대표된 범주에 추가할 수 있다.
그러나 순진한 생성 방식은 또 다른 문제를 만든다. 모델은 병리 소견과 함께 해부학적 구조까지 바꿔, 원본의 그럴듯한 진행이 아니라 다른 장면을 만들 수 있다. 또한 훈련 세트에서 발견된 인공물이나 상관관계를 반복할 수도 있다.
DADD는 이러한 충돌을 중심으로 설계됐다. 이 아키텍처는 해부학적 구조를 보존할 대상, 질환 외관을 제어할 대상으로 취급한다. 이는 일반적인 클래스 조건부 생성보다 합성 사례에 더 명확한 실험적 목적을 부여한다.
이 접근법은 MES 등급 간 순서 관계도 활용한다. 0에서 1로의 진행은 서로 무관한 이미지 클래스 간의 도약과 다르다. 델타 스티어링은 네트워크가 각 범주를 고립된 상태로 학습하도록 요구하는 대신, 이러한 방향성 변화를 인코딩하려 한다.
이 구분은 AI 개발자에게 중요하다. 생성기가 보존해야 하는 요인과 바꿔야 하는 요인을 연구진이 알 때 합성 데이터셋의 가치는 더 커진다. 그러한 분리가 없으면 증강은 잘못된 변이를 조용히 확대할 수 있다.
그러나 더 나은 클래스 균형이 자동으로 더 나은 임상 도구를 만들어 주지는 않는다. 합성 사례는 여전히 원본 데이터셋의 가정과 편향에서 파생된다. 소스 데이터에 없는 환자 집단, 장비 특성 또는 질환 발현을 새로 도입할 수는 없다.
DADD의 분류기 개선은 이 방법을 개발하고 평가하는 데 사용된 동일한 광범위한 데이터셋 환경에서 측정됐다. 이 연구는 전향적 다기관 임상시험이나 대장내시경 중 실시간 사용을 보고하지 않았다.
따라서 이 시스템은 익숙한 형태의 압박을 받는다. 통제된 생성이 다른 머신러닝 모델의 채점 행동에 부합하는 이미지만이 아니라 의학적으로 유용한 다양성을 더한다는 점을 입증해야 한다.
이 문제는 DADD를 넘어선다. 2022년 내시경 분류 연구는 HyperKvasir 이미지로 합성곱 네트워크를 훈련하고 선택된 과제에서 최고 정확도 87.50%를 보고했다. 이 연구 역시 내시경 평가의 변동성과 AI 근거의 예비적 성격을 강조했다.
더 최근의 DADD 연구는 관심을 상류 단계로 옮긴다. 또 하나의 독립형 분류기를 도입하는 대신, 분류기가 소비하는 훈련 데이터를 겨냥한다. 그 의미는 이 개입이 기관과 모델 계열 전반으로 이전될 수 있는지에 달려 있다.
합성 진행 이미지와 직접 임상 채점의 비교
핵심 경쟁은 통제된 훈련 사례를 생성하는 방식과 실제 내시경 영상을 직접 채점하는 방식 사이에 있다.
직접 채점 시스템은 임상 질문에 더 직접적으로 답한다. 실제 이미지나 영상을 처리하고, 중증도 추정치를 부여하며, 때로는 대장 전반의 염증 분포를 지도화한다.
DADD는 워크플로의 다른 계층에 활용된다. 다른 시스템이 사용할 수 있는 합성 데이터와 시각화를 생성한다. 그 출력은 분류기 개발을 지원할 수 있지만, 새로운 검사에서 얻는 임상적 판단으로 제시되지는 않는다.
이 차이는 단순한 리더보드 비교를 막는다. 생성기의 FID 점수와 증강 효과는 진단 시스템이 전문 판독자와 보이는 일치도와 같은 질문에 답하지 않는다.
UC-SCALE은 유용한 기준점이다. 이 시스템에는 이미지 품질 필터, MES 채점 구성 요소, 카메라 위치 파악 알고리즘이 포함된다. 이 시스템은 3상 etrolizumab 임상시험에서 나온 S상결장경 영상 4,326개로 훈련 및 검증됐다.
공개된 UC-SCALE 평가는 대장 구획 수준에서 중앙 판독자 대비 kappa 0.80을 보고했다. 또한 시스템 출력과 바이오마커, 조직학, 임상의 평가, 환자 보고 결과 사이의 상관관계도 발견했다.
따라서 UC-SCALE은 실제 검사를 평가하고 점수를 여러 임상 지표와 연결한다. DADD는 생성된 이미지가 해부학적 구조를 유지하는지, 요청된 중증도를 나타내는지, 그리고 하위 분류기를 강화하는지를 평가한다.
또 다른 2026년 시스템인 AI-ESe는 여러 단계를 통해 전체 내시경 영상을 분석한다. 이미지 품질을 점검하고, 내시경에 의한 정지를 감지하며, 중증도를 추정하고, 검사 전반에 걸친 염증 히트맵을 생성한다.
AI-ESe 결과에는 중증도 평가를 위한 quadratic weighted kappa 0.80이 포함됐다. 정지 감지 구성 요소는 위치 추정치의 평균 절대 시간 불일치를 39초에서 23초로 줄였다.
AI-ESe는 최악 병변 점수화의 약점도 드러냈다. 기존 내시경 하위 점수에서 최고 점수를 받은 동영상들 가운데, 중등도에서 중증 염증을 보인 점막의 비율은 17.9%에서 100%까지 나타났다.
이 범위는 두 검사가 동일한 최고 등급을 받아도 전체 염증 부담은 크게 다를 수 있음을 뜻한다. 범위를 분석하는 시스템은 단일 최악 부위 점수로 손실되는 정보를 보존하려 한다.
DADD는 범위 문제를 해결하지 않는다. 이 시스템은 내시경 이미지에서 작동하며 제어된 시각적 전환을 생성한다. 그러나 해부학적 구조를 보존하는 설계는 관련된 필요를 다룬다. 즉, 관찰된 장면의 정체성을 버리지 않고 질병 변화를 생성하는 것이다.
이 접근법들은 궁극적으로 서로 보완할 수 있다. 합성 진행 모델은 직접 점수화 시스템을 훈련하기 위한 희귀 사례를 만들 수 있다. 이후 동영상 수준 모델은 그러한 사례로 강화된 표현을 사용해 실제 영상을 평가할 수 있다.
이러한 결합은 독립적인 연구가 이를 검증하기 전까지 가설에 머문다. DADD가 보고한 분류기 성능 향상은 UC-SCALE, AI-ESe 또는 다른 상용 시스템에 도움이 될 것임을 입증하지 않는다.
생성과 점수화의 차이는 위험 양상에도 영향을 준다. 직접 점수화 오류는 실제 환자 검사에 대한 해석에 영향을 미칠 수 있다. 생성기는 이후 시스템을 가르치는 데 쓰이는 데이터를 변경함으로써 더 이른 단계에서 위험을 초래한다.
상류 단계의 오류는 발견하기 더 까다로울 수 있다. 합성 이미지에 MES 3과 연관된 반복적 아티팩트가 포함되면, 분류기는 임상적으로 의미 있는 염증 대신 그 아티팩트를 학습할 수 있다.
생성된 특징이 일반 이미지 지표에는 그럴듯해 보여도 염증성 장질환 전문의에게는 잘못된 것으로 보일 때도 같은 문제가 발생할 수 있다. FID는 혈관 패턴, 궤양 경계 또는 출혈 양상이 임상적으로 일관적인지 판단할 수 없다.
DADD의 회귀 판정기는 순서형 평가를 제공하지만, 여전히 모델 기반 평가자다. 두 시스템이 유사한 데이터셋 편향을 물려받았다면 생성기와 다른 알고리즘 간의 일치는 품질을 과대평가할 수 있다.
의료 AI 팀에 실질적인 교훈은 명확하다. DADD 궤양성 대장염 모델은 고무적인 후속 근거를 지닌 데이터 생성 방법이다. 이를 환자 중증도를 검증된 방식으로 판독하는 시스템으로 설명해서는 안 된다.
수치가 입증하지 않는 것
DADD의 향상은 추가 검증을 뒷받침하지만, 진단 정확도, 환자 이익 또는 안전한 임상 배치를 입증하지는 않는다.
이 연구에서 가장 실질적인 수치는 후속 분류 정확도가 74.84%에서 77.75%로 증가한 것이다. 합성 데이터가 분류기 훈련에 추가된 뒤 2.91%포인트 향상된 결과다.
QWK가 83.14에서 85.77로 향상된 것은 증강된 분류기가 중증도 순서를 더 잘 반영한 예측도 했음을 시사한다. MES 오류는 임상적 거리에서 차이가 나므로 이 지표는 가치가 있다.
그렇더라도 하나의 데이터셋과 하나의 실험 파이프라인으로 일반화 가능성을 결론낼 수는 없다. 모델은 익숙한 분포에서는 향상될 수 있지만, 다른 병원, 내시경 제조사, 환자 집단 또는 주석 프로토콜의 이미지에서는 실패할 수 있다.
LIMUC 데이터는 튀르키예의 단일 기관 환경에서 수집됐다. DADD 저자들도 튀르키예에 기반을 두고 있지만, 공개 데이터셋 덕분에 다른 연구자들이 이 연구를 재현하고 검증할 수 있다.
외부 검증에는 의도적으로 다른 데이터가 필요하다. 유용한 시험에는 다양한 내시경 시스템, 장 정결 상태, 인구통계학적 집단, 염증 패턴이 포함될 것이다. 실제 임상 내시경은 서로 독립적인 정지 이미지의 모음이 아니므로 동영상도 중요하다.
종단적 합성이라는 모델의 구도에도 유사한 주의가 필요하다. DADD는 원본 이미지의 일부 특성을 보존하면서 서로 다른 중증도 수준을 나타내는 이미지를 만든다. 반복 검사를 통해 환자를 추적하거나, 그 개인의 미래 질병 경과를 예측하지는 않는다.
따라서 생성된 치유 이미지는 조건부 시각 가설이다. 치료가 그러한 변화를 일으킬 것이라는 근거도 아니며, 치유가 언제 발생할지에 대한 예측도 아니다.
MES 제어는 모델이 나타내는 범위도 좁힌다. MES는 널리 쓰이지만 복잡한 가시적 소견을 네 가지 범주로 압축한다. 기저 점막은 각 등급 안에서도 상당히 달라질 수 있다.
기존 점수화 연구는 판독자 간 불일치를 기록해 왔다. Ulcerative Colitis Endoscopic Index of Severity를 개발한 연구에서는 평가된 기술 항목과 판독자 비교 전반에서 weighted kappa 값이 0.30에서 0.65까지 나타났다.
이 불확실성은 생성형 및 판별형 시스템을 훈련하는 데 사용되는 라벨에 영향을 미친다. 중증도의 기저 정의에 관찰자 변이가 포함돼 있다면 모델은 해부학과 질병을 명확하게 분리할 수 없다.
합성 데이터는 라벨 가정을 증폭할 수도 있다. 훈련 이미지가 특정 시각적 특징을 하나의 등급과 연관시킨다면, 전문의들이 다른 맥락에서는 다르게 해석할 수 있어도 생성기는 그 연결을 재현할 수 있다.
특징 정제기는 또 다른 미해결 질문을 제기한다. 이 구성 요소는 해부학 토큰에서 질병과 상관된 정보를 제거하려 한다. 연구자들은 그것이 질병 양상과 정당하게 상호작용하는 구조적 세부사항까지 제거하는지 판단해야 한다.
반대로 일부 질병 정보는 정제됐다고 여겨지는 표현에 남아 있을 수 있다. 이러한 누출은 특히 원본 등급에서 크게 벗어난 전환에서 중증도 제어의 독립성을 의도보다 낮출 수 있다.
논문이 보고한 생성 이미지와 실제 이미지의 회귀 판정기 결과 간 유사성은 고무적이다. 그러나 생성 이미지의 RMSE 0.46과 실제 이미지의 RMSE 0.47은 합성 이미지가 실제 검사와 임상적으로 동등하다는 뜻은 아니다.
생성기에는 실패 양상에 초점을 둔 전문가 검토도 필요하다. 전문의들은 궤양, 혈관 변화, 출혈, 질감 전환이 국소적 및 전체적 수준에서 그럴듯하게 유지되는지 살펴봐야 한다.
판독자 연구에서는 임상의에게 중증도를 식별하고, 그럴듯하지 않은 특징을 탐지하며, 진단적 유용성을 평가하도록 요청하면서 DADD 이미지와 실제 이미지를 비교할 수 있다. 오류가 치료 관련 경계에 집중된다면 일치만으로는 충분하지 않다.
연구자들은 DADD 증강으로 훈련된 분류기가 외부 실제 데이터에서도 향상되는지 검증해야 한다. 증강 주장이 이 연구의 핵심이기 때문에 이것이 가장 명확한 다음 단계다.
전향적 연구는 평가 전에 모델을 고정하고 사전 정의된 임상 과제에 미치는 영향을 측정함으로써 한 단계 더 나아갈 수 있다. 이런 설계는 시험 환경에 맞춰 시스템을 조정할 여지를 줄인다.
규제 문제는 아직 이르지만 피할 수 없다. 연구용 증강에만 쓰이는 소프트웨어는 환자별 진단 정보를 제공하는 소프트웨어와 다른 위험 프로파일을 가진다.
DADD 생성 이미지가 언젠가 규제 대상 훈련 파이프라인의 일부가 된다면 개발자는 그 출처와 역할을 설명하는 기록을 갖춰야 한다. 또한 합성 사례가 관찰 이미지인 것처럼 임상 기록에 들어가는 것을 막는 통제 장치도 필요하다.
이러한 공백이 보고된 결과를 무효화하는 것은 아니다. 이는 결과의 경계를 규정한다. DADD는 해부학 인지형 확산 모델이 유용한 실험 데이터를 만들 수 있음을 보일 뿐, 합성 내시경이 진료를 이끌 준비가 됐음을 뜻하지는 않는다.
DADD의 중요성을 결정할 세 가지 신호
외부 분류기 성능 향상, 전문의 검토, 동영상 수준 시험이 DADD가 유용한 인프라가 될지 아니면 유망한 벤치마크 결과에 머물지를 결정할 것이다.
첫 번째 신호는 외부 실제 이미지 데이터셋에서의 성능이다. 연구자들은 DADD 이미지 사용 여부만 달리한 비교 가능한 분류기를 훈련한 뒤, 다른 환경에서 시험하기 전에 두 시스템을 모두 고정해야 한다.
반복 가능한 향상은 DADD가 유용한 질병 변이를 추가한다는 주장을 강화할 것이다. LIMUC 밖에서 사라지는 향상은 생성기가 주로 원본 분포를 강화한다는 점을 시사할 수 있다.
가장 유익한 분석은 MES 등급별로 결과를 분리하는 것이다. 합성 증강은 일반 범주의 성능을 낮추지 않으면서, 균형을 맞추려는 희귀 범주에 도움을 줘야 한다.
보정도 중요하다. 분류기는 정확도가 향상되면서 오류에 대해 지나치게 확신할 수 있다. 의료 적용에는 집단과 장비가 달라져도 신뢰할 수 있는 확률 추정치가 필요하다.
두 번째 신호는 염증성 장질환 전문의의 눈가림 검토다. 검토자는 국소 병리, 해부학적 구조 보존, 전환의 현실성, 생성 아티팩트의 존재를 평가해야 한다.
이 연구에는 MES 1에서 MES 2와 같은 까다로운 인접 전환이 포함돼야 한다. 이러한 경계는 비활성 질환에서 중증 질환으로의 시각적으로 극적인 변화보다 더 큰 모호성을 지닐 수 있다.
전문의들은 DADD를 더 단순한 증강 방식 및 다른 생성적 접근법과도 비교해야 한다. 복잡한 아키텍처는 해부학-질병 분리가 측정 가능한 이점을 낼 때에만 그 가치를 입증한다.
검토자들이 일관되게 불가능하거나 오해를 부르는 특징을 발견한다면 분류기 성능 향상은 설득력이 약해진다. 이는 후속 모델이 임상 이미지에서는 이용할 수 없거나 부적절한 지름길의 이점을 얻고 있음을 시사할 수 있다.
세 번째 신호는 정지 이미지에서 전체 동영상과 공간적 질병 범위로의 확장이다. 대장내시경은 시간에 따라 진행되며, 임상의는 고립된 프레임이 아닌 연속된 시야를 해석한다.
동영상에는 움직임, 반복되는 점막 시야, 흐림, 변화하는 조명, 가변적인 검사 속도가 도입된다. 정지 이미지에서 작동하는 생성기는 프레임별로 적용될 경우 시간적 깜빡임이나 모순된 병리를 만들 수 있다.
DADD는 시퀀스 전반에서 일관된 해부학적 구조를 보존하는 방법도 필요하다. 생성된 각 프레임은 이웃 프레임 및 요청된 질병 상태와 일관돼야 한다.
직접 점수화 프로젝트는 이것이 중요한 이유를 보여준다. AI-ESe는 과표본화를 줄이기 위해 내시경 정체를 명시적으로 감지하는 반면, UC-SCALE은 결장 내 위치를 추정한다. 두 프로젝트 모두 동영상 구조를 측정 문제의 일부로 다룬다.
성공적인 동영상 확장은 실제 개발 파이프라인에서 DADD의 관련성을 강화할 것이다. 시간적 일관성을 유지하지 못하면 그 역할은 정지 이미지 실험에 한정될 것이다.
이러한 시험은 또 하나의 유리한 이미지 생성 지표로 대체돼서는 안 된다. 핵심 약속은 해부학과 질병을 분리하는 것이 더 나은 의료 훈련 데이터를 만든다는 것이다. 따라서 검증은 해당 데이터의 성능, 현실성, 이전 가능성을 측정해야 한다.
개발자에게 DADD는 유용한 아키텍처 패턴을 제시한다. 고정돼야 하는 요인과 모델이 바꿔야 하는 요인을 분리한 뒤, 그 분리가 후속 과제를 개선하는지 시험하라.
임상의에게 즉각적인 메시지는 더 제한적이다. 이 시스템은 새로운 환자 대상 중증도 점수, 치료 권고 또는 예후를 제공하지 않는다.
환자에게 생성 이미지는 개인 질병 진행의 예측으로 해석돼서는 안 된다. 이는 네 단계 척도에 연결된 모델링된 외관을 나타낸다.
DADD 궤양성 대장염 모델은 의료 AI의 실질적 병목, 즉 부족하고 불균등하게 분포된 전문가 라벨 이미지 문제를 겨냥하기 때문에 주목할 만하다. 초기 결과는 측정 가능한 분류기 이점과 더 명확한 중증도 제어 방식을 보여준다.
이제 결정적인 근거는 모델이 이미 알지 못했던 실제 데이터에서 나와야 한다. DADD 증강은 외부에서 시험된 분류기를 개선하고, 눈가림 전문의 검토를 통과하며, 동영상 전반에서 일관성을 유지할 수 있을까? 이 세 가지 결과가 합성 진행 모델이 신뢰할 수 있는 의료 영상 인프라가 될지를 결정할 것이다.
