탐지에서 판독으로
딥노이드는 자체 의료 영상 파운데이션 모델 M4CXR을 통해, 흉부 X-ray AI의 새로운 카테고리를 만듭니다.
M4CXR은 상급 병원 임상 데이터 1천만 건 이상으로 사전 학습된 의료 영상 파운데이션 모델입니다.
영상과 판독문을 함께 학습하는 멀티모달 구조 기반으로 새로운 소견과 태스크를 반복 개발 없이 확장하며,
‘단일 소견 탐지’에서 ‘임상 판독’ 단계로 흉부 X-ray AI를 끌어올리고 있습니다.
반복되는 개발, 늘어나는 비용
기존의 태스크 특화 딥러닝 모델은 새로운 소견이 추가될 때마다
데이터 수집·레이블링·모델 설계·학습·검증 사이클을 처음부터 반복해야 합니다.
소견 1개가 추가될 때마다 사실상 신규 모델 1개 개발에 준하는 비용·시간이 들어가는 구조이며,
이로 인해 실제 임상 환경에서는 제한된 기능만 제공할 수 있었습니다.
M4CXR은 이 구조적 병목을 해소하기 위해 설계된 모델입니다.
판독문에서 시작된 학습
M4CXR은 임상 판독문을 자연어 그대로 학습합니다.
즉, 레이블링 비용 없이 학습 규모를 키우고 빠르게 확장합니다.
자연어 Supervision
M4CXR은 임상 현장에서 매일 생성되는 판독문 데이터를 추가 레이블링 없이 학습합니다. 레이블링 비용 증가 없이 학습 규모를 지속 확장할 수 있는 구조적 장점을 갖습니다.
빠른 태스크 확장
M4CXR은 새로운 소견을 추가할 때 신규 모델을 처음부터 개발하지 않습니다. 사전 학습된 표현을 기반으로 최소한의 파인튜닝만으로 확장되며, 이는 앞서 언급한 ‘소견당 신규 모델 개발 비용’ 구조를 근본적으로 해소합니다.
단일 모델로 풀어내는 확장성
M4CXR은 데이터·구조·확장성·성능 네 축 모두에서
기존 태스크 특화 모델과 다른 접근 방식을 제시합니다.
| Traditional AI | 구분 | M4CXR |
|---|---|---|
| 영상 또는 텍스트, 단일 데이터 유형에 한정 | 데이터 | 영상·텍스트 등 멀티모달 데이터로 사전 학습 |
| 소견별로 개별 설계된 태스크 특화 모델 | 모델 구조 | 다양한 태스크·소견·임상 환경에 범용 적용 |
| 새로운 소견 추가 시 처음부터 개발 | 확장성 | 재사용 가능한 구조와 사전 학습으로 추가 개발 속도 상승 |
| 데이터 유형·임상 환경 변화에 유연한 대응이 어려움 | 정확도 | 단일 모달리티 모델 대비 높은 정확도와 넓은 소견 커버리지 확보 |
임상에서 확인된 성능
M4CXR은 1천만 건 이상의 임상 데이터로 학습되어,
단일 추론으로 41개 이상의 소견을 2.3초 만에 판독합니다.
학습에 활용된 임상 데이터
단일 추론으로 처리하는 소견 수
단일 추론 완료 시간
자체 모델 전략
M4CXR은 외부 범용 모델의
라이선스·종속 리스크를 줄이기 위해,
의료 영상 도메인에 특화된
자체 파운데이션 모델로 설계되었습니다.
범용 파운데이션 모델은 라이선스 정책 변경, 데이터 활용 제한,
외부 기술 종속이라는 구조적 리스크를 동반합니다.
M4CXR은 의료 영상 도메인 특화 자체 모델로 설계되어,
기술 독립성과 데이터 보안, 장기 비용 효율성을 동시에 확보합니다.
라이선스 독립성
외부 제약 없는 독립적인 개발
데이터 보안
의료 데이터의 안전한 활용
지속적 개선
도메인 특화 성능 고도화
비용 최적화
효율적인 운영 및 유지 보수
단일 영상 모델에서 임상 에이전트로
M4CXR은 흉부 X-ray에서 시작해, 다양한 의료영상을 포괄하고
최종적으로 임상 의사결정을 수행하는 의료 AI 에이전트로 확장됩니다.
M4CXR은 흉부 X-ray 영역에서 검증된 파운데이션 모델입니다.
다음 단계인 MedZero-27B는 X-ray·CT·MRI 등
2D·3D 의료영상을 함께 학습하는 27B 규모의 확장 모델로,
단일 영상 종류에 묶이지 않고 다양한 임상 영역을 하나의 모델로 다룰 수 있도록 설계됩니다.
마지막 단계인 Clinical Agent는 영상 판독을 넘어,
환자 정보·이전 검사 이력·임상 가이드라인을 스스로 통합 추론하고
판독·소견 정리·후속 검사 추천까지 능동적으로 수행하는 임상 에이전트입니다.