[논문]LLM 기반 DICOM 이미지 정보 요약 리포트 생성에 대한 연구 분석

윤인식; 문일영

doi:10.12673/jant.2024.28.5.738

초록
AI-Helper

의료 분야에서 중요한 DICOM 이미지 데이터를 효과적으로 요약하고 시각화하는 시스템을 개발하는 것을 목표로 한다. 이 시스템은 React와 Node.js를 활용하여 DICOM 이미지를 수집하고 파싱하며, 그 과정에서 중요한 의료 정보를 추출한다. 이후 LLM (large language model)을 이용해 자동 요약 보고서를 생성하여 사용자에게 맞춤형 의료 정보를 제공한다. 이를 통해 의료 정보의 접근성을 높이고, 웹 기술을 활용하여 대용량 데이터를 신속하고 안정적으로 처리할 수 있다. 이 시스템은 환자와 의사 간의 커뮤니케이션을 강화하여 치료의 질을 높이고, 의료진이 빠르고 정확한 의사 결정을 할 수 있도록 돕는다. 이와 더불어, 환자의 의료 경험을 개선하여 전반적인 만족도를 높이는 데 기여할 것이다. 궁극적으로 이 시스템은 의료 서비스의 질적 향상을 목표로 한다.

Abstract ▼ AI-Helper

The goal of this system is to effectively summarize and visualize important DICOM image data in the medical field. Using React and Node.js, the system collects and parses DICOM images, extracting critical medical information in the process. It then employs a large language model (LLM) to generate au...

The goal of this system is to effectively summarize and visualize important DICOM image data in the medical field. Using React and Node.js, the system collects and parses DICOM images, extracting critical medical information in the process. It then employs a large language model (LLM) to generate automatic summary reports, providing users with personalized medical information. This approach enhances accessibility to medical data and leverages web technologies to process large-scale data quickly and reliably. The system also aims to improve communication between patients and doctors, enhancing the quality of care and enabling medical staff to make faster, more accurate decisions. Additionally, it seeks to improve patients' medical experiences and overall satisfaction. Ultimately, the system aims to improve the quality of healthcare services.

Keyword

표/그림 (10)

표 표 1. LLM 종류 Table 1. LLM types.
표 표 2. 개발 환경 Table 2. Development environment.
그림 그림 1. GoWIX PACS 이미지 익명화 Fig. 1. GoWIX PACS image anonymization.
그림 그림 2. DICOM 리포트 UI 구성 Fig. 2. Configure the DICOM report UI.
그림 그림 3. LLaMA 3.1 prompt 실행 Fig. 3. Run the LLaMA 3.1 prompt.
표 표 5. 성능 평가 표 Table 5. Development environment.
그림 그림 4. LLM prompt 예시 Fig. 4. LLM prompt example.
그림 그림 5. 요약 리포트 결과물 Fig. 5. Summary report output.
표 표 3. 의료 전문가 설문지 Table 3. Survey for medical professionals.
표 표 4. 비전문가 설문지 Table 4. Survey for non-medical professionals.

AI 본문요약
AI-Helper

문제 정의

또한, 웹 기술을 활용하여 데이터 전송 최적화 및 사용자 경험 개선에 중점을 둔 연구도 활발히 진행되고 있다. 본 연구의 목적은 React와 Node.js를 활용하여 DICOM 이미지를 분석하고, 이를 기반으로 LLM을 통해 의료 데이터 요약 리포트를 생성하는 시스템을 개발하는 것이다. 이 시스템은 의사를 위한 맞춤형 리포트를 제공하여, 의료 전문가에게는 의료 관련 고급 정보를, 추가로 이해하기 쉬운 정보를 제공한다.
이 시스템은 의사를 위한 맞춤형 리포트를 제공하여, 의료 전문가에게는 의료 관련 고급 정보를, 추가로 이해하기 쉬운 정보를 제공한다. 나아가, 웹 기술을 융합하여 데이터 전송을 최적화하고, 사용자 경험을 향상하는 것을 목표로 한다. 연구는 다음과 같은 방법으로 진행된다.

제안 방법

js 서버에서 DICOM 이미지를 파싱하여 의료 데이터를 추출한다. 셋째, 추출된 데이터를 기반으로 LLM을 활용하여 요약 리포트를 생성한다. 마지막으로, 사용자 경험을 개선한다.
DICOM 이미지를 효과적으로 처리하고 요약 리포트를 생성하기 위해 시스템 아키텍처를 설계한다. 이 시스템은 Frontend(react), Backend(node.
다양한 시나리오를 설정하여 시스템이 예기치 않은 상황에서도 올바르게 동작하는지 확인한다. 특히, 데이터 전송 속도, 요약 리포트 생성 시간, 사용자 인터페이스 응답성 등을 중점적으로 평가하며, 이를 통해 시스템의 최적화를 도모한다. 테스트는 단위 테스트, 통합 테스트, 시스템 테스트, UAT (user acceptance testing) 등 여러 단계로 나누어 진행된다.
js 프레임워크를 활용한다. LLM은 비용이 들지 않는 로컬 LLM인 Meta의 LLaMA 3.1을 사용하여 시스템을 개발 구현하였다.
js는 간결하고 유연한 웹 애플리케이션 프레임워크로, RESTful API를 쉽게 구축할 수 있게 한다. Backend에서는 DICOM 이미지를 DICOM Parser를 활용해 파싱하여 필요한 의료 데이터를 추출하고, LLM 모델과의 통신을 통해 요약 리포트를 생성한다.
데이터 보안 측면에서 유리하다. 이를 통해 DICOM 이미지에서 추출된 데이터를 기반으로 자동 요약 리포트를 생성한다.
Frontend 에서는 사용자가 DICOM 이미지를 업로드하고 결과를 확인할 수 있는 직관적인 UI를 개발하였다. Backend 에서는 DICOM 데이터를 파싱하고, Meta의 LLaMA 3.1 모델을 활용하여 자동 요약 리포트를 생성하는 서버를 구현하였다. LLM prompt는 모든 정보를 포함 하지 않고, 의사에게 의사 결정을 돕는 DICOM 주요 정보를 선정해서 그림 4처럼 구성하였다.

대상 데이터

의료 분야에서 DICOM(digital imaging and communications in medicine) 표준은 의료 영상 데이터를 저장하고 전송하는 데 중요한 역할을 한다[1]. DICOM 이미지는 방사선학, X-ray, CT, MRI 등 다양한 의료 영상 데이터를 포함하며, 종종 방대한 양의 데이터를 포함하고 있다. 이러한 데이터를 효과적으로 분석하고 시각화하는 것은 의료 전문가들에게 중요한 과제이다.
다양한 의료 이미지 처리 장치(MRI, CT, X-ray)에서 DICOM 이미지를 수집하고, 그림 1의 ㈜스마트케어웍스의 Web 기반 PACS GoWIX 로 철저하게 연구용으로 익명화된 의료 DICOM을 활용하여 연구에 필요한 데이터를 확보한다[8]. 이 과정에서 각 장치에서 생성된 DICOM 이미지는 PACS GoWIX 시스템을 통해 중앙 서버로 전송되며, 이 서버는 데이터를 안전하게 저장하고 관리한다.
LLM은 비용이 들지 않는 로컬 LLM인 Meta의 LLaMA 3.1을 사용하였다. LLaMA 3.
구현된 시스템의 성능을 평가하기 위해 다양한 테스트를 진행하였다. 먼저, 요약 리포트의 정확도를 평가하기 위해 의료전문가 5명에게 표3 설문을 통해 평가받았다. 의료 전문가들은 생성된 요약 리포트가 실제 의료 데이터가 거의 반영하고 있음을 확인하였다.
의료 전문가들은 생성된 요약 리포트가 실제 의료 데이터가 거의 반영하고 있음을 확인하였다. 또한, 의료 전문가가 아닌 사용자 10명을 대상으로 하여 표 4 요약 리포트의 이해도 설문을 평가하였다. 사용자들은 요약 리포트가 대체로 이해하기 쉽고 유용하다고 응답하였다.

데이터처리

시스템 테스트는 전체 시스템이 요구사항을 충족하는지 평가하고, 사용자 수용 테스트는 실제 사용자가 시스템을 사용하면서 발생할 수 있는 문제를 식별한다. 테스트 결과를 기반으로 시스템의 개선점을 도출하고, 필요시 코드를 리팩토링하여 최종 시스템의 신뢰성을 확보한다. 또한, 성능 테스트를 통해 시스템의 처리 속도와 확장성을 평가한다.
테스트 결과를 기반으로 시스템의 개선점을 도출하고, 필요시 코드를 리팩토링하여 최종 시스템의 신뢰성을 확보한다. 또한, 성능 테스트를 통해 시스템의 처리 속도와 확장성을 평가한다. 이러한 철저한 테스트 및 검증 과정을 통해 시스템의 안정성과 신뢰성을 높이고, 최종 사용자에게 높은 품질의 서비스를 제공할 수 있도록 한다.
구현된 시스템의 성능을 평가하기 위해 다양한 테스트를 진행하였다. 먼저, 요약 리포트의 정확도를 평가하기 위해 의료전문가 5명에게 표3 설문을 통해 평가받았다.
사용자들은 요약 리포트가 대체로 이해하기 쉽고 유용하다고 응답하였다. 설문 데이터를 기반으로 점수화 평가를 진행하였다. 데이터 전송 속도와 저장 효율성도 평가하였다.
설문 데이터를 기반으로 점수화 평가를 진행하였다. 데이터 전송 속도와 저장 효율성도 평가하였다. 다양한 네트워크 환경에서 데이터 전송 속도를 측정한 결과, 데이터 처리는 서버에서 이루어지기 때문에 대체로 시스템은 안정적이고 빠른 데이터 전송을 제공하였다.

이론/모형

이 과정에서 시스템의 모듈성을 유지하고, 각 기능이 원활하게 연동되도록 주의하여 개발을 진행한다. 또한, 시스템 구현 시 TDD(test driven development) 방법론을 적용하여 기능별 테스트를 병행하며 안정적인 시스템을 구축한다[7].
익명화 과정에서는 환자의 개인 식별 정보를 제거하고, 연구 목적에 맞게 데이터의 무결성을 유지한다. 또한, Gaussian 필터, Median 필터를 사용하여 노이즈 제거 이미지 처리 알고리즘을 적용하여 이미지의 품질을 향상하고, 분석에 필요한 형식으로 변환한다. 이를 통해 연구자들은 고품질의 익명화된 의료 이미지를 활용하여 다양한 연구를 수행할 수 있다.

성능/효과

DICOM 이미지를 효과적으로 처리하고 요약 리포트를 생성하는 시스템을 성공적으로 구현하였다. Frontend 에서는 사용자가 DICOM 이미지를 업로드하고 결과를 확인할 수 있는 직관적인 UI를 개발하였다.
다양한 네트워크 환경에서 데이터 전송 속도를 측정한 결과, 데이터 처리는 서버에서 이루어지기 때문에 대체로 시스템은 안정적이고 빠른 데이터 전송을 제공하였다. 다만, LLaMA 3.1 모델에서의 결괏값 생성 완성은 10회 수행하여 각 89, 92, 90, 93, 91, 94, 88, 90, 92, 93초가 소요되어, 평균 약 91초가 소요된 것으로 파악되었다.
본 연구를 통해 DICOM 이미지를 효과적으로 처리하고 요약 리포트를 생성하는 시스템을 구현할 수 있었다. 그러나 몇가지 한계점도 존재한다.
예를 들어, 다양한 의료 이미지 처리 장치에서 실시간으로 자료를 수집하고 처리할 수 있는 기능을 추가할 수 있다. 셋째, LLM 모델의 종류는 매우 많고, Prompt 작성 방식 또한 무궁무진하다. 많은 종류의 모델과 Prompt에 대한 연구가 더 필요하다.
많은 종류의 모델과 Prompt에 대한 연구가 더 필요하다. 넷째, LLM의 결과를 맹신하기에는 다소 무리가 있다. 대체로 결과가 잘 도출된다고 하지만, 추가 검증 없이 사용되기엔 의료 사고를 초래할 수 있다.
대체로 결과가 잘 도출된다고 하지만, 추가 검증 없이 사용되기엔 의료 사고를 초래할 수 있다. 다섯째, DICOM에는 다양하고 많은 정보가 있지만, 익명화를 거치며 유효한 정보들이 유실될 수 있다. 예를 들면, 생일이나 나이 같은 값은 주요하게 쓰일 수 있는 값이기 때문에, 누락 된다면 분석 결과에 영향을 미칠 수 있다.
본 연구에서는 DICOM 이미지를 처리하고 요약 리포트를 생성하는 시스템을 성공적으로 구현하였다. Frontend는 React로, Backend는 Node.
시스템은 의료 전문가에게 유용한 정보를 제공하였다. 성능 평가 결과, 요약 리포트의 정확도와 사용자 만족도가 높았으며, 데이터 전송 속도와 저장 효율성도 우수하였다. 다만, LLaMA 3.
먼저, 요약 리포트의 정확도를 평가하기 위해 의료전문가 5명에게 표3 설문을 통해 평가받았다. 의료 전문가들은 생성된 요약 리포트가 실제 의료 데이터가 거의 반영하고 있음을 확인하였다. 또한, 의료 전문가가 아닌 사용자 10명을 대상으로 하여 표 4 요약 리포트의 이해도 설문을 평가하였다.

후속연구

1 모델의 성능은 데이터의 질과 양에 크게 의존한다. 따라서 더 많은 양질의 데이터를 확보하여 모델을 개선할 필요가 있다. 둘째, 시스템의 확장성을 고려하여 추가적인 기능을 개발할 필요가 있다.
따라서 더 많은 양질의 데이터를 확보하여 모델을 개선할 필요가 있다. 둘째, 시스템의 확장성을 고려하여 추가적인 기능을 개발할 필요가 있다. 예를 들어, 다양한 의료 이미지 처리 장치에서 실시간으로 자료를 수집하고 처리할 수 있는 기능을 추가할 수 있다.
셋째, LLM 모델의 종류는 매우 많고, Prompt 작성 방식 또한 무궁무진하다. 많은 종류의 모델과 Prompt에 대한 연구가 더 필요하다. 넷째, LLM의 결과를 맹신하기에는 다소 무리가 있다.
여섯째, 91초라는 시간은 기다림이 짧지 않은 시간이기 때문에 적절한 로딩을 표시해 주거나, 스트리밍으로 결과를 도출할 수 있도록 하는 것이 좋을 것으로 판단된다[9][10]. 향후 연구에서는 이러한 한계점을 보완하고, 시스템의 성능을 더욱 강화하기 위한 다양한 방법을 모색할 것이다. 또한, 사용자 경험을 향상하기 위해 UI/UX 디자인을 개선하고, 사용자 피드백을 반영한 시스템 업데이트를 지속해서 진행할 것이다.
짧지 않은 시간이기에 스트리밍으로 결과가 도출되는 것이 좋을 것으로 판단된다. 향후 연구에서는 더 많은 양질의 데이터를 확보하고, 시스템의 확장성과 성능을 개선하며, 다양한 LLM 모델과 Prompt 작성 방식에 관한 연구를 진행할 예정이다. 이를 통해 의료 데이터의 효율적인 관리와 분석을 지원하고, 의료 서비스의 질적 향상을 목표로 할 것이다.

참고문헌 (10)

J. S. Jeong, "Implementation case of PACS linkage using？DICOM (digital imaging and communications in medicine)？standard," Journal of the Korean Society of Digital Imaging？Technology, Vol. 2, No. 1, pp. 44-51, 1996. Retrieved from？https://www.dbpia.co.kr/Journal/articleDetail?nodeIdNODE09571015.
S. H. Lee, "Study on medical Dicom based XRay image？improvement program using image processing," in Spring？Comprehensive Symposium of the Korea Marine Information？& Communication Society, Vol. 9, No. 1, pp. 1153-1156,？2005. Retrieved from https://koreascience.or.kr/article/CFKO200522941426537.page?langen.
K. B. Kwon and I. G. Kim, "Web-based medical information？system supporting DICOM standard," Journal of KISS:？Computing Practices, Vol. 7, No. 4, pp. 317-323, 2001.？Retrieved from https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE00609836.
T. B. Brown, B. Mann, N. Ryder et al., "Language models are few-shot learners," NeurIPS 2020, Vol. 33, No. 1, pp.？1877-1901, Dec. 2020. Retrieved from https://arxiv.org/abs/2005.14165.
S. J. Kim, A study on DICOM web server for implementing？remote medical imaging system, Master's thesis, Yonsei？University, Republic of Korea, 1999. Retrieved from？http://www.riss.kr/link?idT7756150&outLinkK.
P. S. Maratkar and P. Adkar, "React JS - an emerging？frontend JavaScript library," Iconic Research and？Engineering Journals, Vol. 4, No. 12, pp. 99-102, Jun. 2021.？Retrieved from https://www.irejournals.com/formatedpaper/1702778.pdf.
S. Piya and A. Sullivan, "LLM4TDD: Best practices for test？driven development using large language models,"？arXiv:2312.04687 [cs.SE], Dec. 2023. DOI: https://doi.org/10.48550/arXiv.2312.04687.
T. Yi, I. Pan, S. Collins, F. Chen, R. Cueto, B. Hsieh, C.？Hsieh, J. L. Smith, L. Yang, W. Liao, L. H. Merck, H. Bai,？and D. Merck, "DICOM image analysis and archive？(DIANA): An open-source system for clinical AI？applications," Journal of Digital Imaging, Vol. 34, pp. 1405-？1413, Nov. 2021. Retrieved from https://pubmed.ncbi.nlm.nih.gov/34727303/.

상세보기
Y. I. Yun and I. Y. Moon, "A study on the correlation？between data loading and user experience," Journal of？Engineering Education and Research, Vol. 16, No. 2, pp.？185-193, Apr. 2024. DOI: 10.14702/JPEE.2024.185.

원문보기 상세보기
X. Zhao, C. Zhang, and S. Guan, "A data lake-based security transmission and storage scheme for streaming big？data," Cluster Computing, Vol. 27, pp. 4741-4755, Dec.？ 2023. Retrieved from https://dl.acm.org/doi/abs/10.1007/s10586-023-04201-9.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] LLM 기반 DICOM 이미지 정보 요약 리포트 생성에 대한 연구 분석
Research Analysis on Generating Summary Reports of DICOM Image Information Based on LLM 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] LLM 기반 DICOM 이미지 정보 요약 리포트 생성에 대한 연구 분석 Research Analysis on Generating Summary Reports of DICOM Image Information Based on LLM 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

문일영 (79)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] LLM 기반 DICOM 이미지 정보 요약 리포트 생성에 대한 연구 분석
Research Analysis on Generating Summary Reports of DICOM Image Information Based on LLM 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

활용도 Top5 논문