lunit

문제Lunit의 의료 AI 개발 과정이 데이터 준비부터 추론까지 약 10개의 수동 단계로 쪼개져 있어 모델 개발 속도가 느리고 팀 간 소통 비용이 크다.

접근포드 조립라인을 모티브로, 데이터 관리·라벨 정제·AutoML·WSI 추론까지 한 워크플로우로 묶은 웹 기반 통합 프레임워크 AutoSCOPE를 구축한다. TorchServe로 모델 배포를 표준화하고 active learning으로 라벨링을 효율화한다.

결과몇 번의 클릭만으로 새 모델을 만들고 기존 모델과 동등하거나 더 나은 성능에 도달한다. 의료 도메인 전문가도 직접 AI 모델 개발에 참여할 수 있는 환경이 마련됐다.

문제의료 영상 모델의 하이퍼파라미터 튜닝은 수동으로 하기엔 비효율적이고 베이지안 최적화 단독으로는 고차원 공간에서 한계가 있다.

접근베이지안 최적화와 self-distillation을 결합한 BOSS 프레임워크를 제안한다. 1단계에서 일반 BO로 cold-start를 풀고, 2단계에서는 이전 시행의 상위 모델을 교사·학생으로 두고 지식을 전이하며 다음 후보를 탐색한다.

결과CIFAR-100과 Tiny-ImageNet에서 BO와 SD 단독 사용을 능가하는 성능을 얻었다. 노이즈 레이블과 반지도 학습 시나리오에서도 견고하며, Lunit INCL 플랫폼에 통합돼 흉부 X-ray, 유방촬영 진단 모델 성능 향상에 기여한다.