PathGLS 다차원 일관성 기반 병리 비전언어 모델 평가

** 본 논문은 병리학 분야에서 비전‑언어 모델(VLM)이 생성하는 보고서의 신뢰성을 정량화하기 위한 무참조 평가 프레임워크인 **PathGLS**를 제안한다. 기존의 BLEU, BERTScore, RadGraph 등 텍스트‑중심 메트릭은 정답 레이블이 필요하거나, 텍스트 유창성에만 초점을 맞추어 시각‑텍스트 불일치, 논리적 모순, 그리고 도메인 변동에 대한 취약점을 드러내지 못한다. 이러한 한계를 극복하고자 저자들은 세 가지 독립적인 차원—**Grounding(시각‑텍스트 정합)**, **Logic(논리 일관성)**, **Stability(교란에 대한 안정성)**—을 동시에 측정하는 다중 차원 일관성 메트릭을 설계하였다. **Grounding** 모듈은 고해상도 패치를 512×512 크기로 슬라이딩 윈도우 방식으로 추출하고, 각 패치를 병리학에 특화된 비전 인코더(HighRes‑PLIP)로 임베딩한다. 동시에 생성된 보고서에서 추출한 임상 엔티티를 텍스트 인코더(DeBERTa‑v3‑base)로 임베딩한 뒤, M×N 유사도 행렬을 계산한다. 각 엔티티에 대해 가장 높은 유사도를 보이는 패치를 선택하고, 모든 엔티티에 대한 평균을 구해 **S_g** 점수를 산출한다. 이 과정은 패치‑텍스트 매핑을 직접 수행함으로써, 저해상도 리샘플링으로 인한 진단 정보 손실을 방지한다. **Logic** 모듈은 생성된 보고서를 구조화된 지식 그래프로 변환한다. 그래프 노드는 병리학적 개념(예: “핵이 비대함”, “핵분열율 증가”)이며, 엣지는 관계(예: “특징‑진단”)를 나타낸다. 전제‑가설 쌍을 추출하고, 도메인 특화 NLI 모델에 입력해 모순 확률 p(k)를 얻는다. 전체 쌍 중 상위 K개의 모순 확률 평균을 1에서 빼서 **S_ℓ** 점수를 만든다. 이 설계는 다수의 일관된 문장이 존재해도 소수의 치명적 논리 오류가 점수에 크게 반영되도록 하여, 기존 평균 기반 접근법보다 민감하게 오류를 탐지한다. **Stability** 모듈은 두 종류의 교란을 적용한다. 첫째, Macenko 색상 정규화를 기반으로 스테인 색상 변형을 가해 시각적 교란을 만든다. 둘째, 거짓 임상 히스토리를 포함한 적대적 프롬프트를 삽입해 텍스트 교란을 만든다. 원본 보고서와 교란 후 보고서 간의 의미적 거리를 Sentence‑BERT 기반 코사인 거리로 측정하고, 절대값을 평균해 **S_s** 점수를 계산한다. 높은 S_s는 모델이 색상 변동이나 잘못된 전제에도 일관된 진단을 유지함을 의미한다. 세 점수는 가중치 w_g=0.4, w_ℓ=0.3, w_s=0.3을 곱해 **S_total = w_g·S_g + w_ℓ·S_ℓ + w_s·S_s** 로 결합한다. 이 종합 점수는 임상 현장에서 모델 출력을 “배포 가능”, “인간 검토 필요”, “거부” 등으로 자동 라우팅하는 가드레일 역할을 한다. 실험은 다섯 개 공개·다기관 데이터셋(Quilt‑1M, TCGA, REG2025, PathMMU, TCGA‑Sarcoma)에서 수행되었다. Quilt‑1M에서 인위적으로 만든 환각 보고서에 대해 BERTScore는 0.92→0.90(2.2% 감소)로 거의 변동이 없었지만, PathGLS의 Grounding 점수는 0.77→0.46(40.3% 감소)로 크게 반응했다. 논리 오류에 대해서는 Logic 점수가 0.91→0.67(26.4% 감소)했다. 전체 점수와 전문가가 정의한 오류 계층 간의 Spearman 상관계수는 ρ=0.71(p<0.0001)로, Gemini 3.0 Pro(ρ=0.39)보다 두 배 이상 높은 일치를 보였다. 모듈별 Ablation에서는 Logic을 제외했을 때 상관계수가 20.1% 감소, Grounding 제외 시 13.6% 감소, Stability 제외 시 5.5% 감소하였다. 이는 세 축이 각각 독립적이면서도 상호 보완적인 역할을 함을 증명한다. WSI‑레벨 평가에서는 MIL 기반 다중 인스턴스 정렬이 전체 슬라이드의 진단 일관성을 유지하면서도 지역적 병변을 놓치지 않는 장점을 제공한다. LLaV A‑Med와 Quilt‑LLaV A 두 모델을 비교했을 때, Quilt‑LLaV A는 Grounding(0.96)과 Stability(0.83)에서 우수했지만 Logic(0.78)에서는 다소 낮았다. 이는 도메인 특화 사전학습이 시각적 정합성은 높이지만, 슬라이드 전역에 걸친 논리 일관성을 유지하는 데 한계가 있음을 시사한다. 도메인 간 격차(OOD) 테스트에서는 TCGA‑Sarcoma와 같은 희귀 아형에 대해 PathGLS가 LLaV A 모델의 점수 감소(0.064)를 정확히 포착했으며, Quilt‑LLaV A는 0.009점만 감소해 도메인 적응력이 뛰어남을 보여준다. 전통 메트릭은 여전히 높은 점수를 부여해 위험성을 감추지만, PathGLS는 이러한 위험을 정량화한다. 결론적으로, PathGLS는 정답 라벨이 없는 실제 임상 환경에서도 병리학 VLM의 신뢰성을 다차원적으로 평가할 수 있는 최초의 무참조 메트릭이다. 시각‑텍스트 정합, 논리 일관성, 교란에 대한 안정성을 동시에 고려함으로써, 모델 선택·배포 단계에서 안전성을 확보하고, 오류 원인 분석을 위한 해석 가능한 증거를 제공한다. 코드와 데이터 파이프라인은 GitHub(https://github.com/My13ad/PathGLS)에서 공개되어, 향후 연구와 임상 적용에 바로 활용될 수 있다. **