프로젝트 Imaging‑X: 1000개 이상 공개 의료 영상 데이터셋을 통한 기초 모델 스케일링 로드맵

본 논문은 의료 영상 분야에서 대규모 기초 모델(Foundation Model) 개발을 가로막는 핵심 문제인 데이터 부족과 파편화를 종합적으로 분석하고, 이를 해결하기 위한 구체적인 방법론과 도구를 제시한다. 1. **연구 배경 및 필요성** - 자연어·컴퓨터 비전 분야에서 수십억 장 규모의 데이터가 기초 모델의 성공을 이끌었지만, 의료 영상은 임상 전문 지식·윤리·프라이버시 제약으로 수천~수만 장 수준의 작은 데이터셋에 머물러 있다. - 기존 의료 영상 데이터셋 조사(예: BraTS, LUNA)들은 특정 모달리티·작업·해부학에 국한돼 있어, 다중 모달리티·다중 작업·다중 해부학을 포괄하는 일반화된 모델을 학습하기 어렵다. 2. **대규모 데이터셋 조사** - 2000년부터 2025년까지 공개된 1,000여 개 데이터셋을 수집·정제하고, 4차원 메타데이터(모달리티, 작업, 해부학, 라벨 유형)로 분류하였다. - **모달리티**: CT(18 %), MRI(22 %), X‑Ray(15 %), 초음파(9 %), PET(5 %), OCT·내시경·현미경 등(31 %). - **작업**: 분류(38 %), 세그멘테이션(34 %), 검출(12 %), 등록·추적·추정(16 %). - **해부학**: 뇌(27 %), 복부·흉부(24 %), 심장·혈관(11 %), 기타(38 %). - 평균 이미지 수는 4,200장, 전체 이미지 수는 약 4.2 억 장에 불과해, 자연 이미지 대비 2~3 order magnitude 차이가 난다. 3. **데이터 파편화와 그 영향** - 동일 모달리티·작업·해부학 조합이라도 여러 데이터셋에 흩어져 있어, 데이터 중복·라벨 불일치·품질 차이가 존재한다. - 이러한 파편화는 모델이 특정 도메인에 과적합되게 만들고, 실제 임상 현장에서의 일반화 성능을 저하시킨다. 4. **Metadata‑Driven Fusion Paradigm (MDFP)** - **Phase 1: 메타데이터 정규화** – 각 데이터셋의 라벨 체계·해부학 명명법을 표준 Ontology(예: RadLex, SNOMED)와 매핑. - **Phase 2: 의미적 정렬** – 동일 모달리티·작업·해부학 그룹을 자동 클러스터링하고, 라벨 스키마를 통합. - **Phase 3: 융합 설계** – 중복 이미지 제거, 클래스 불균형 완화(샘플링·가중치), 라벨 충돌 해결(우선순위·다중 라벨 허용). - **Phase 4: 인덱싱·공유** – 통합 데이터셋을 표준 JSON‑LD 메타데이터와 함께 공개 API와 Docker 이미지로 배포. 5. **Interactive Discovery Portal** - 웹 UI와 파이썬 SDK를 제공해 사용자가 “모달리티=CT, 작업=세그멘테이션, 해부학=복부”와 같은 복합 쿼리를 입력하면, 해당 데이터셋 리스트와 통계(샘플 수, 라벨 분포, 라이선스)를 실시간으로 반환한다. - 선택된 데이터셋에 대해 “Fusion Blueprint”을 자동 생성하고, 원클릭으로 통합 데이터를 다운로드하거나 클라우드 스토리지에 직접 저장할 수 있다. - 사용자 정의 파이프라인을 저장·공유함으로써 커뮤니티 기반 데이터 확장이 가능하도록 설계되었다. 6. **실험 및 성능 검증** - MDFP를 적용해 5개의 CT·MRI·PET 데이터셋을 통합, 총 1.2 M 이미지(전년 대비 8배) 규모의 데이터셋을 구축하였다. - 3D UNet 기반 사전 학습 모델을 기존 개별 데이터셋 대비 평가했을 때, 평균 mIoU가 4.3 % 상승하고, 다양한 해부학 영역에서 성능 편차가 감소하였다. - 라벨 일관성 검증을 위해 전문가 리뷰를 진행했으며, 통합 후 라벨 정확도가 평균 92 %에서 96 %로 향상되었다. 7. **제한점 및 향후 과제** - 현재 MDFP는 라벨 스키마가 명확히 정의된 데이터에만 적용 가능하며, 비구조화된 라벨(예: 자유 텍스트 보고서)에는 추가 전처리 단계가 필요하다. - 개인정보 보호 규정(GDPR, HIPAA)으로 인해 일부 데이터는 비공개 혹은 제한된 접근만 허용되며, 이러한 데이터와의 안전한 융합을 위해 차등 프라이버시·연합 학습 기법이 필요하다. - 멀티모달(영상 + 임상 텍스트·유전 정보) 데이터셋이 현저히 부족하므로, 향후 메타데이터 정합성 및 멀티모달 융합 프레임워크 개발이 요구된다. 8. **기여 정리** - 1,000+ 공개 의료 영상 데이터셋을 가장 포괄적으로 정리하고, 표준 메타데이터 카탈로그를 제공하였다. - 메타데이터 중심의 데이터 융합 패러다임(MDFP)과 이를 구현한 인터랙티브 포털을 구축해, 데이터 탐색·통합·공유 과정을 자동화하였다. - 통합 데이터셋을 공개함으로써 의료 기초 모델 연구에 필요한 대규모 학습 자원을 제공하고, 향후 데이터·모델 생태계의 확장을 촉진한다. 본 논문은 의료 영상 분야에서 데이터 규모와 다양성을 확보하기 위한 실용적인 로드맵을 제시함으로써, 차세대 의료 기초 모델 개발에 필요한 인프라 구축을 가속화한다.