Stanford EE292R AI and Data for Science

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Stanford EE292R AI and Data for Science를 중심으로, 멀티모달 융합의 효과는 과제마다 다르다. RNA 시퀀싱·조직병리·임상정보 등을 결합한 모델은 여러 암종의 예후 예측에서 단를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 멀티모달 융합의 효과는 과제마다 다르다. RNA 시퀀싱·조직병리·임상정보 등을 결합한 모델은 여러 암종의 예후 예측에서 단일 모달리티보다 우수했다. 다만 비소세포폐암 치료 반응 예측에서는 개선 경향에 머무는 결과도 있었으며, 실제 진료에서는 환자마다 확보된 검사 종류가 달라 결측 모달리티 대응이 필요하다.
2. 일상적인 병리 이미지에서 분자정보를 추정할 수 있다. 조직 패치의 특징을 군집화하고 유전자 발현을 예측하는 접근에서 병리 전용 UNI와 선형화 트랜스포머가 좋은 성능을 보였다. 일부 유방암·방광암 사례에서는 최대 약 1만7,000개 유전자를 높은 상관과 낮은 오차로 예측했으며, 외부 데이터셋과 소규모 공간 전사체 자료로도 검증했다. 다만 이미지와 RNA의 상관이 두 정보의 동등성을 뜻하지는 않는다.
3. RNA에서 조직 이미지를 생성하는 목적은 데이터 보완과 생물학 연구다. 발현 정보를 압축해 확산 모델의 조건으로 사용했고, 생성 대상을 초기 5개 조직에서 33개 조직으로 확대했다. 합성 데이터 사전학습은 대장암의 미세부수체 불안정성 예측에서 성능 개선을 보였지만, 합성 이미지 3,000만 장을 활용한 파운데이션 모델의 비교 성능은 아직 검증 중이다.
4. 영상 복원이 좋아도 예측에 유용한 표현을 얻는 것은 아니다. 뇌 MRI 연구에서 U-Net은 복원 성능이 가장 좋았지만, 일반 오토인코더의 표현은 생물학적 특성과 질병 예측에서 더 유용했다. 후속 연구는 3차원 마스크드 오토인코더와 조건부 플로 매칭으로 확장됐으며, 고정된 표현만으로 분자 특성 등을 예측하고 종단 MRI로 노화·알츠하이머병 진행을 시뮬레이션했다. 종단 생성 결과의 광범위한 검증은 남아 있다.
5. 합성 CT와 질환 간 전이는 가능성과 한계를 함께 보여준다. 흉부 CT 생성에는 조건부 플로 매칭과 GRPO 사후학습을 적용했으며, 별도 판정 모델로 생성 영상을 평가했다. 약 20만 개의 합성 CT가 공개됐고 희귀 소견 보강을 목표로 한다. 한편 성인 뇌종양 모델의 소아 전이는 실패했지만, 더 흔한 소아 뇌종양에서 희귀 소아 종양으로의 전이는 가능했다.

🧩 배경과 문제 정의

• 정밀의료에서는 환자의 유전자 발현, 조직병리 이미지, 방사선영상, 임상정보를 결합해 예후와 치료 반응을 예측한다. 서로 다른 데이터가 제공하는 정보를 통합하면 단일 모달리티보다 성능이 좋아질 수 있다.
• 실제 진료에서는 모든 환자에게 모든 검사를 시행하지 않는다. 특히 RNA 시퀀싱은 조직병리 이미지보다 일상적으로 확보하기 어려워, 누락된 모달리티에 강건한 모델과 결측 데이터 추정 방법이 필요하다.
• 조직 이미지와 분자정보 사이의 관계를 학습하면 이미지에서 유전자 발현을 추정하거나 유전자 발현을 조건으로 합성 이미지를 생성할 수 있다. 다만 두 모달리티의 고유 정보, 공간적 이질성, 합성 데이터의 유용성은 별도로 검증해야 한다.

🕒 시간순 섹션별 상세정리

1. 여러 모달리티의 임베딩을 결합한 암 예후 예측

• RNA 시퀀싱, microRNA, 임상정보, 조직병리 이미지처럼 성격이 다른 환자 데이터를 각각 512차원 임베딩으로 변환한 뒤 결합해 암 환자의 예후를 예측했다. [01:58]
• Cancer Genome Atlas의 대규모 코호트에서는 여러 암종에 걸쳐 멀티모달 모델이 단일 모달리티 모델보다 높은 성능을 보였다. [02:19]

2. 뇌종양의 생존 예측과 소아 질환으로의 전이

• 성인·소아 뇌종양 연구에서는 약 2만5,000~3만 개 유전자의 활동을 나타내는 RNA 시퀀싱과 초고해상도 조직병리 이미지를 결합해 전체 생존과 예후를 예측했다. [03:13]
• 복잡한 모델을 서로 다른 코호트에서 학습·검증하고, 수백 사례를 확보한 성인 암에서 데이터가 부족한 희귀 소아 질환으로 모델을 전이할 수 있는지 평가했다. [03:50]

3. 폐암 치료 반응 예측의 개선 경향과 데이터 제약

• 스탠퍼드 비소세포폐암 코호트에서는 RNA 시퀀싱, 전체 슬라이드 조직병리 이미지, CT를 결합해 치료 반응을 예측했다. 여러 모달리티의 결합은 성능 개선 또는 개선 경향을 보였으며, 일관된 확정적 향상으로 단정되지는 않았다. [05:10]
• 환자마다 분자정보·조직영상·방사선영상·임상정보의 확보 여부가 달라, 모달리티 누락을 견디거나 누락된 데이터를 추정하는 방법이 필요하다. [05:45]

4. 일상적으로 확보되는 조직 이미지로 RNA 발현 추정

• RNA 시퀀싱은 질병 아형 구분, 약물 선택, 생물학적 특성 파악에 유용하지만 모든 암 환자에게 일상적으로 시행되지는 않는다. 반면 H&E 조직병리 이미지는 암 진단의 핵심 자료로 임상에서 확보된다. [07:23]
• 동일한 조직에서 나온 이미지와 분자정보의 상관관계를 이용해, 조직 이미지가 RNA 시퀀싱의 대리 자료로 얼마나 기능할 수 있는지 평가했다. [07:43]

5. 초고해상도 슬라이드의 패치 처리와 다중 해상도 가능성

• 약 20만×20만 픽셀인 전체 슬라이드는 메모리에 직접 넣기 어려워 250×250 픽셀 패치로 나누고, 슬라이드 전반에서 표본을 추출해 비전 트랜스포머에 입력했다. [08:48]
• 학습에 사용하는 벌크 RNA 시퀀싱은 슬라이드 전체에 하나의 발현 벡터만 제공한다. 공간 전사체 데이터는 슬라이드의 각 위치에서 유전자 발현을 측정하므로 국소 예측을 검증하는 근거가 된다. [09:45]

6. 조직 이질성을 반영하는 특징 군집화와 발현 예측

• 패치 특징 추출에는 ResNet-50을 기준 모델로 사용하고, 디지털병리 전용 파운데이션 모델인 UNI도 비교했다. 슬라이드에서 수백~수천 번 추출한 패치 특징을 100개 군집으로 묶어 조직의 이질성과 서로 다른 세포 유형을 반영하려 했다. [12:38]
• 군집화한 특징을 단순 신경망, 트랜스포머, 선형화 트랜스포머에 입력해 약 2만 차원의 유전자 발현 벡터를 예측했다. [12:55]

7. 병리 전용 특징 추출기와 선형화 트랜스포머의 성능

• 평가는 유전자별 예측값과 실측값의 상관계수, 높은 상관과 낮은 평균제곱오차를 동시에 만족하는 유전자 수를 기준으로 수행했다. [13:25]
• 병리 데이터로 학습한 UNI는 ResNet보다 유의하게 우수했고, 선형화 트랜스포머도 다른 비교 모델보다 좋은 성능을 보였다. 유방암·방광암 등의 사례에서는 이미지 만으로 최대 약 1만7,000개 유전자를 높은 상관과 낮은 오차로 예측했다. [14:01]

8. 외부 데이터셋과 공간 전사체를 통한 검증

• 모델은 TCGA 내부 테스트셋과 외부 CPTAC 검증 데이터셋에서 기존 방법보다 좋은 성능을 보였다. 일곱 조직에서 학습·평가 데이터셋을 바꿨을 때도 Sequoia 모델은 기존 비교 모델보다 검증 가능한 유전자의 중복이 컸다. [15:08]
• 패치별 예측을 이용하면 개별 유전자의 활동이 조직 내 어디에 분포하는지 시각화할 수 있다. 교모세포종의 소규모 공간 전사체 코호트에서는 공간 정보를 직접 학습하지 않았음에도 여러 환자·유전자에서 예측과 실측 사이의 상관이 관찰됐다. [15:59]

9. 추정한 유전자 발현의 임상·연구 활용

• 일상 진료의 H&E 이미지에서 RNA 발현을 추정하면, 해당 이미지가 있는 코호트의 환자를 분자적 특성에 따라 층화하거나 군집화하는 데 활용할 수 있다. [16:26]
• 과거 코호트와 임상시험 자료의 발현 정보를 보완하고, 추정한 발현 프로파일을 약물 반응 관련 발현 시그니처에 입력해 반응을 예측하는 활용도 가능하다. [16:48]

10. 유전자 발현을 조건으로 조직 이미지를 생성하는 확산 모델

• 역방향 과제는 약 2만5,000차원의 유전자 발현 정보로 조직을 반영하는 합성 이미지를 생성하는 것이다. GAN의 모드 붕괴 같은 한계를 고려해, 하나의 구조로 여러 조직을 생성하는 모델을 목표로 했다. [17:53]
• RNA 발현은 변분 오토인코더로 200차원의 평균·분산 표현으로 축소하고, 이를 별도 확산 모델의 조건으로 사용했다. 모델은 잡음에서 64×64 이미지를 생성한 뒤 단계적으로 해상도를 높인다. [19:16]

11. 양방향 변환이 남기는 고유 정보와 공간적 한계

• 이미지와 RNA 사이의 높은 상관이 두 모달리티의 정보가 동일함을 뜻하지는 않는다. 각 모달리티에는 고유한 가치가 남을 수 있으며, 특히 벌크 RNA 시퀀싱에는 이미지가 가진 공간적 맥락이 없다. [20:51]
• 현재 생성 모델은 벌크 RNA 시퀀싱에 기반한다. 충분한 공간 전사체 데이터가 있으면 슬라이드 내부의 국소 구조와 공간적 이질성을 더 충실하게 모델링할 수 있으리라는 가능성은 있지만, 이는 진행 중인 연구다. [21:49]

12. 희소한 멀티모달 코호트의 보완과 합성 데이터의 목적

• 모든 환자에게 모든 모달리티가 갖춰진 대규모 코호트는 드물다. 멀티모달 융합에는 뚜렷한 성공 사례도 있지만, 개선 경향에 머무는 결과도 있어 더 많은 데이터로 검증해야 한다. [24:23]
• 결측 모달리티를 추정하거나 일부 합성 데이터를 추가해 코호트를 확장하고, 더 큰 표본에서 지도학습 기반 멀티모달 모델을 평가하는 것이 연구의 목적이다. [24:44]

13. 세포 분포 검증과 합성 데이터 사전학습의 효과

• HoVer-Net으로 세포를 검출하고 유형을 예측해, 폐선암과 신장 유두상암의 실제·합성 이미지에서 세포 분포를 비교했다. 이는 시각적 구별 가능성 외에 세포 구성 수준에서 합성 이미지의 충실도를 평가하기 위한 분석이다. [27:14]
• 대장암 이미지에서 미세부수체 불안정성을 예측하는 과제에서는 합성 데이터로 사전학습한 모델을 평가했다. 합성 데이터의 양을 늘리는 실험에서 실제 데이터 기반 비교 모델보다 정확도와 F1 점수가 높게 나타났다. [27:47]

14. 33개 조직으로의 확장과 대규모 합성 데이터 실험

• 생성 모델의 대상은 초기 다섯 조직에서 33개 조직으로 확대됐으며, 각 조직 유형을 충실하게 반영하는 이미지를 생성할 수 있었다. [28:05]
• 분자적 교란을 충실하게 반영할 수 있다면 신약 개발을 위한 가상 실험에 활용할 가능성이 있다. 소아 종양 같은 희귀 코호트의 증강, 합성 조직의 세포 구성에 기반한 치료 반응 분석도 잠재적 활용처다. [28:43]

15. 3D 뇌 MRI 모델링과 방사선영상의 발전 단계

• 방사선영상 연구의 출발 사례는 수년 전 수행한 오토인코더 기반 연구이며, 3D 뇌 MRI 모델링이 다음 과제로 계속된다. [29:40]
• 디지털병리에서는 여러 과제에서 우수한 성능을 보인 파운데이션 모델이 수십 개 등장한 반면, 방사선영상 모델은 여전히 발전 초기 단계로 새로운 모델이 계속 등장하고 있다. [29:57]

16. 다중 뇌 MRI를 압축하는 표현 학습

• 뇌 MRI는 여러 종류의 3차원 영상과 기능 영상 등을 포함한다. 오토인코더로 이를 수백~수천 개 특징의 저차원 벡터로 압축해 후속 예측 작업에 활용하는 접근을 취했다. [30:46]
• 학습에는 건강한 자원자의 UK Biobank 자료를 사용했으며, 뇌 MRI 규모는 최대 5만 건에서 최근 약 10만 건으로 늘었다. 여러 질병에 유용한 특징을 학습하는지 확인하기 위해 신경종양, ADNI의 신경퇴행성 질환, 조현병 코호트도 포함했다. [31:32]

17. 영상 복원 성능과 표현의 유용성은 다르다

• U-Net, 변분 오토인코더, 일반 오토인코더 등을 비교했을 때, 구조적 유사도 지표인 SSIM으로 평가한 영상 복원 성능은 U-Net이 가장 좋았다. [31:57]
• U-Net의 스킵 연결은 병목층을 거치지 않고도 복원에 필요한 정보를 전달한다. 따라서 복원이 잘되더라도 병목층의 특징 벡터가 원본 영상을 충분히 대표하지 못할 수 있다. [32:19]

18. 일반 오토인코더가 생물학적 특성과 질병 예측에서 우세했다

• UK Biobank의 인구통계, 부피, 혈관, 유전 변이 등 여러 표현형 범주에서 일반 오토인코더의 표현이 가장 높은 상관관계를 보였다. 영상 복원 순위와 생물학적 특성 포착 능력의 순위가 달랐다. [33:37]
• 세 뇌종양 코호트에서도 일반 오토인코더가 전체 생존을 기준으로 좋은 예후군과 나쁜 예후군을 가장 잘 구분했다. MRI 표현으로 종양 등급과 교종의 두 아형을 정의하는 IDH1 변이 상태도 예측할 수 있었다. [34:17]

19. 공개 MRI를 통합해 더 현대적인 인코더를 학습한다

• MRI 특징 벡터를 RNA 시퀀싱·디지털 병리와 결합하는 다중모달 모델로 확장할 수 있다. 후속 연구는 기존 복원 중심 구조를 개선하고, 대규모 공개 코호트와 더 최근의 아키텍처로 새로운 인코더를 사전학습하는 방향이다. [36:00]
• 여러 공개 자료를 통합해 다양한 질병과 연령대를 아우르는 약 3만 5천 개 MRI 볼륨을 구성했다. 자료에는 알츠하이머병 같은 신경퇴행성 질환과 GBM 같은 뇌종양 등이 포함됐다. [37:02]

20. MRI 표현 학습과 조건부 생성을 연결하는 구조

• 통합 MRI 자료로 3차원 마스크드 오토인코더를 학습해 뇌 MRI의 임베딩을 얻었다. 이 표현은 예측 작업에 활용하는 동시에 합성 영상 생성의 기반으로 사용한다. [38:43]
• 생성 모델은 질병, 인구통계, 기술적 영상 특성을 조건으로 받는다. 조건부 플로 매칭 디퓨전 트랜스포머를 사용해 해당 조건에 맞는 MRI를 생성하는 접근이다. [39:20]

21. 고정된 MRI 표현만으로 분자 특성과 뇌 나이를 예측한다

• 인코더를 미세조정하지 않고 고정된 특징에 단순한 선형 프로브를 적용해 IDH1 변이와 종양 등급을 예측했다. IDH1 예측에서는 최근 개발된 일부 다른 모델보다 좋은 성능을 보였다. [41:25]
• 신경퇴행성 질환 영역에서도 같은 방식으로 뇌 나이, 생식세포계열 유전 변이, 여러 질병별 특성을 예측했으며, 합리적인 수준의 곡선 아래 면적 성능을 얻었다. [41:49]

22. 종단 MRI로 노화와 알츠하이머병 진행을 시뮬레이션한다

• 건강한 사람의 기준 MRI에서 출발해 수년에 걸친 경도 인지 저하와 알츠하이머병 발생을 가정한 영상을 생성했다. 종단 학습 자료는 약 2만 5천 쌍, 검증 자료는 약 3천 쌍이며, 생성은 여러 특성을 조건으로 수행했다. [42:33]
• 생성 예시는 건강한 사람의 노화와 알츠하이머병이 진행하는 환자의 영상 차이를 보여준다. 다만 생성 결과에 대한 광범위한 검증은 아직 수행하지 않았으며 연구가 진행 중이다. [43:03]

23. 합성 MRI의 임상적 해석과 검증은 아직 남아 있다

• 알츠하이머병 영상에서는 뇌실 확장과 회백질 얇아짐 같은 임상적 소견을 살핀다. 모델이 이런 알려진 특징을 포착하는지, 전문의가 아직 주목하지 않은 특징을 찾는지 구분필요가 있다. [44:59]
• 공개 종단 데이터가 적어 생성 결과에는 여전히 잡음이 있으며, 종단 합성 영상의 평가와 해석도 쉽지 않다. 알려진 현상과 새로운 발견을 구분하는 실험은 아직 수행해야 한다. [45:47]

24. 흉부 CT에서도 통합 자료와 조건부 생성 구조를 활용한다

• 흉부 CT 연구는 생성 모델링에 집중한다. 최근 공개된 폐 CT 5만 건 규모의 CT-RATE 등을 모았으며, 기술적 차이를 학습하지 않도록 자료를 통일해 처리했다. [48:28]
• 3차원 변분 오토인코더를 학습한 뒤 고정하고, 영상을 압축한 잠재표현을 생성 모델의 기반으로 사용했다. [48:43]

25. CT 생성 품질과 강화학습의 개선 효과

• 최근 공개된 Nvidia 모델과 비교했을 때, 연구 모델은 3차원·2차원 거리 지표에서 더 좋은 결과를 보였다. 밀도와 커버리지도 높아 폐 CT 영상의 다양성을 더 잘 포착하는 결과를 얻었다. [50:30]
• 강화학습을 적용하지 않은 기준 모델과 비교하면 평균 정밀도는 최대 47%, ROC 곡선 아래 면적은 최대 24% 개선됐다. 다만 이 결과 역시 최근 연구이며 계속 발전시키는 단계다. [51:31]

26. 희귀 소견을 보완하는 합성 CT 데이터 증강

• 다양한 소견을 가진 합성 코호트로 희귀 소견을 보강하고, 이를 분류기에 학습시키는 데이터 증강을 목표로 한다. 생물학적 특성과 생성 조건 변수도 더 확장하려 한다. [52:06]
• 약 20만 개의 합성 CT 영상을 생성했으며, 이 자료는 온라인에 공개돼 있다. [52:15]

27. GRPO 보상에는 별도의 판정 모델을 사용한다

• 강화학습에서는 여러 영상을 생성해 각각 점수를 매기고, 결과를 비교해 모델을 갱신한다. 생성된 스캔을 평가하는 역할은 별도의 판정 모델이 맡는다. [54:01]
• 마지막 두 연구의 모델은 모두 Marla에서 학습했다. [54:20]

28. 데이터 재사용에는 정제 과정과 재배포 조건이 중요하다

• 구축한 자료는 대부분 공개 데이터에 기반하지만, 원자료의 재배포 제한이 어느 정도인지는 확인이 필요하다. 데이터 자체를 다시 배포하기 어렵다면 처리 스크립트를 공개해 사용자가 자료를 재구축하는 방식이 가능하다. [55:27]
• 공개 데이터를 통일해 처리하는 작업은 이전보다 쉬워졌으며, 여러 자료를 빠르게 조화시키는 여건도 개선됐다는 평가다. [55:47]

29. 임상 활용 사례와 생성 모델의 검증 수준에는 차이가 있다

• 임상에서 활용되는 사례로는 종양과 정상 조직을 나누는 분할 모델이 있다. 이번에 다룬 모델들의 임상 활용은 아직 더 나아가야 할 단계로 평가했다. [56:19]
• 임상의와 협업하고 있으며 병리 영상에서는 이미 병리 전문의 맹검 평가를 수행했다. 이번 방사선 영상 모델에 대해서는 아직 맹검 평가를 하지 않았고, 향후 수행하려 한다. [56:48]

30. 성인에서 소아로의 전이는 실패했고 소아 종양 간 전이는 가능했다

• 성인과 소아 뇌종양의 유사성을 근거로 성인 GBM 등의 융합 모델을 소아 사례에 전이하려 했지만 성공하지 못했다. 반면 더 흔한 소아 뇌종양 유형에서 두 희귀 소아 종양으로는 전이가 가능했다. [58:00]
• 어떤 출발 질환과 대상 질환 사이에서 전이가 가능한지 일반적인 규칙을 도출하는 문제에는 아직 쉬운 답이 없다. [58:15]

31. 영상과 분자 데이터의 수집 차이 및 양방향 생성의 목적

• 조직병리 영상은 임상에서 일상적으로 수집되지만 분자 데이터는 그렇지 않다. 이 차이가 영상으로 분자 정보를 추정하려는 연구의 실질적 배경이다. [58:44]
• 반대로 분자 데이터에서 영상을 생성하는 연구는 데이터 증강, 생물학 모델링, 분자에서 조직으로 이어지는 다중스케일 모델 구축 같은 기초과학적 질문에서 출발했다. [59:07]

🧾 결론

• 이 강의의 중심은 예측 모델의 입력을 늘리는 데서 나아가, 확보하기 어려운 모달리티를 추정하고 합성 자료로 부족한 코호트를 보완하는 데 있다.
• 병리 이미지에서 발현을 추정하는 연구는 기존 임상 자료의 활용 범위를 넓힌다. 반대 방향의 생성은 데이터 증강과 분자정보·조직 형태의 관계 연구를 지원한다.
• 모델 평가는 목적에 맞아야 한다. 영상 복원 품질, 유전자 발현의 상관, 질병 예측 성능, 합성 데이터의 학습 효과는 각각 확인해야 한다.
• 일부 과제의 성과를 모든 질환이나 임상 환경으로 일반화할 수는 없다. 데이터 규모, 질환 간 차이, 공간정보의 한계가 결과를 좌우한다.

📈 투자·시사 포인트

• 의료 AI 기술을 평가할 때는 생성 영상의 사실감과 함께 외부 코호트 성능, 결측 검사 대응, 실제 예측 과제에서의 개선을 살펴볼 필요가 있다.
• 데이터 확보와 정제는 중요한 실행 역량이다. 공개 MRI·CT를 동일한 기준으로 처리하고, 재배포 조건이나 재구축 방법을 마련하는 작업이 모델 개발의 기반이 된다.
• 합성 데이터의 가치는 생성량과 함께 판단해야 한다. 희귀 소견 보강이나 사전학습에서 실제 데이터만 사용한 기준 모델보다 얼마나 나아지는지가 핵심 확인 지표다.
• 디지털병리에는 여러 과제에서 성과를 낸 파운데이션 모델이 등장했지만 방사선영상은 발전 초기 단계로 설명됐다. 두 분야의 검증 수준과 임상 활용 단계를 구분해 평가해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 멀티모달 융합이 모든 과제에서 확정적인 개선을 보인 것은 아니다. 폐암 치료 반응 예측의 개선 경향과 다른 암 예후 예측의 성과를 구분해야 한다.
• 이미지 기반 발현 추정은 검사 간 완전한 대체를 입증하지 않는다. 벌크 RNA에는 공간적 맥락이 없고, 소규모 공간 전사체 검증 결과의 일반화 범위도 확인이 필요하다.
• 병리 이미지의 전문의 맹검 평가는 수행됐지만, 이번 방사선영상 모델의 맹검 평가는 아직 수행되지 않았다. 종단 MRI 생성의 광범위한 검증과 해석도 남아 있다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 과제별로 입력 모달리티, 환자·코호트 규모, 비교 모델, 평가 지표, 외부 검증 여부를 표로 정리한다.
• 병리 기반 발현 추정은 유전자별 상관과 오차뿐 아니라 암종별 표본 수, 외부 데이터셋 성능, 공간 전사체 검증 범위를 확인한다.
• 합성 데이터 활용 결과를 실제 데이터만 사용한 기준과 비교하고, 사전학습·데이터 증강·희귀 소견 보강 중 어떤 목적에서 효과가 있었는지 구분한다.
• MRI 표현은 복원 지표와 후속 질병 예측 성능을 함께 확인하고, 종단 생성은 실제 추적 영상 및 전문의 평가와 대조할 항목을 정리한다.

❓ 열린 질문

• 어떤 모달리티 조합과 결측 대응 방식이 실제 진료의 불완전한 데이터에서도 안정적인 이득을 제공할까?
• 이미지에서 추정한 RNA가 유용한 대리 자료로 기능하는 범위와 별도 분자검사가 필요한 범위는 어떻게 구분할 수 있을까?
• 합성 데이터가 실제 환자의 희귀 소견과 생물학적 차이를 보존하면서 외부 코호트의 예측 성능도 높일 수 있을까?