[논문 리뷰] MHub.ai: A Simple, Standardized, and Reproducible Platform for AI Models in Medical Imaging

Leonard Nürnberg, Dennis Bontempi외 18명|arXiv (Cornell University)|2026. 01. 15.

Radiomics and Machine Learning in Medical Imaging인용 수 0

한 줄 요약

MHub.ai는 의료 영상에서 AI 모델에 대한 액세스를 표준화하는 오픈 소스 컨테이너 기반 플랫폼을 소개하며, 재현성과 벤치마킹을 촉진하기 위해 참조 데이터, 통합 인터페이스, 대시보드를 추가한다.

ABSTRACT

Artificial intelligence (AI) has the potential to transform medical imaging by automating image analysis and accelerating clinical research. However, research and clinical use are limited by the wide variety of AI implementations and architectures, inconsistent documentation, and reproducibility issues. Here, we introduce MHub$.$ai, an open-source, container-based platform that standardizes access to AI models with minimal configuration, promoting accessibility and reproducibility in medical imaging. MHub$.$ai packages models from peer-reviewed publications into standardized containers that support direct processing of DICOM and other formats, provide a unified application interface, and embed structured metadata. Each model is accompanied by publicly available reference data that can be used to confirm model operation. MHub$.$ai includes an initial set of state-of-the-art segmentation, prediction, and feature extraction models for different modalities. The modular framework enables adaptation of any model and supports community contributions. We demonstrate the utility of the platform in a clinical use case through comparative evaluation of lung segmentation models. To further strengthen transparency and reproducibility, we publicly release the generated segmentations and evaluation metrics and provide interactive dashboards that allow readers to inspect individual cases and reproduce or extend our analysis. By simplifying model use, MHub$.$ai enables side-by-side benchmarking with identical execution commands and standardized outputs, and lowers the barrier to clinical translation.

연구 동기 및 목표

• 의료 영상에서 표준화되고 재현 가능한 AI 모델 접근의 필요성을 동기 부여한다.
• 모델을 표준화된 컨테이너에 패키징하는 오픈 소스 플랫폼을 설명한다.
• 플랫폼이 DICOM 및 기타 형식의 직접 처리를 어떻게 지원하는지 시연한다.
• 내장 메타데이터와 참조 데이터가 어떻게 투명한 평가와 재사용을 가능하게 하는지 설명한다.
• 벤치마킹 및 재현성 이점을 설명하기 위한 임상 사용 사례를 선보인다.

제안 방법

• 동료 심사된 논문의 모델을 표준화된 컨테이너로 패키징한다.
• 통합 애플리케이션 인터페이스를 제공하고 DICOM 및 기타 형식의 직접 처리를 지원한다.
• 구조화된 메타데이터를 삽입하고 각 모델에 공개적으로 이용 가능한 참조 데이터를 첨부한다.
• 커뮤니티 기여를 가능하게 하고 모든 모델의 모듈식 적응을 지원한다.

실험 결과

연구 질문

• RQ1 MHub.ai는 최소한의 구성으로 의학 영상에서 AI 모델에 대한 액세스를 어떻게 표준화합니까?
• RQ2 표준화된 컨테이너와 참조 데이터가 모델 간 투명한 벤치마킹과 재현성을 가능하게 합니까?
• RQ3 통합 인터페이스와 대시보드가 임상 환경에서 모델 평가 및 재사용에 미치는 영향은 무엇입니까?
• RQ4 플랫폼에 커뮤니티 기여를 어느 정도까지 통합하여 모델 커버리지를 확장할 수 있습니까?

주요 결과

• 동료 심사 논문의 모델이 표준화된 컨테이너로 패키징된다.
• 플랫폼은 통합 인터페이스로 DICOM 및 기타 형식의 직접 처리를 지원한다.
• 각 모델은 검증을 위한 내장 메타데이터와 공개적으로 이용 가능한 참조 데이터를 포함한다.
• 생성된 분할 및 평가 지표가 투명성을 촉진하기 위해 공개된다.
• 대시보드는 개별 사례를 검사하고 분석을 재현하거나 확장할 수 있게 하는 대화형 인터랙티브 대시보드를 제공한다.
• 이 프레임워크는 동일한 실행 명령과 출력으로 나란히 벤치마킹을 가능하게 한다.