[논문 리뷰] The Impact of ChatGPT and LLMs on Medical Imaging Stakeholders: Perspectives and Use Cases

Jiancheng Yang, Hongwei Li외 1명|arXiv (Cornell University)|2023. 06. 11.

Artificial Intelligence in Healthcare and Education인용 수 4

한 줄 요약

이 논문은 ChatGPT와 같은 대규모 언어 모델(Large Language Models, LLMs)이 의료 영상 분야의 이해관계자—기업, 보험사, 정부, 연구 기관, 병원—에 미치는 영향을 분석하기 위해 BIGR-H 프레임워크를 제안한다. LLMs가 실제 사례를 통해 방사선의사의 해석 능력을 향상시키고 임상 워크플로우를 간소화하며 환자 소통을 개선하고 의료 교육 및 연구를 지원하는 방식으로 어떻게 기여하는지 보여주며, 동시에 AI 통합 과정에서 발생하는 윤리적, 개인정보 보호 및 규제 문제에 대비한다.

ABSTRACT

This study investigates the transformative potential of Large Language Models (LLMs), such as OpenAI ChatGPT, in medical imaging. With the aid of public data, these models, which possess remarkable language understanding and generation capabilities, are augmenting the interpretive skills of radiologists, enhancing patient-physician communication, and streamlining clinical workflows. The paper introduces an analytic framework for presenting the complex interactions between LLMs and the broader ecosystem of medical imaging stakeholders, including businesses, insurance entities, governments, research institutions, and hospitals (nicknamed BIGR-H). Through detailed analyses, illustrative use cases, and discussions on the broader implications and future directions, this perspective seeks to raise discussion in strategic planning and decision-making in the era of AI-enabled healthcare.

연구 동기 및 목표

• 의료 영상 분야에서 ChatGPT와 같은 LLMs의 다양한 의료 이해관계자들에 대한 혁신적 역할을 조사하기 위해.
• LLM 영향 분석를 체계적으로 수행하기 위해 기업, 보험사, 정부, 연구 기관, 병원(BIGR-H 프레임워크)을 포함한 프레임워크를 개발하기 위해.
• 방사선 영상 보고서 작성, 임상 워크플로우 자동화, 환자 소통, 의료 교육 분야에서 LLM 응용 사례를 구체적으로 제시하기 위해.
• 의료 영상 분야에서 LLM 배치와 관련된 윤리적, 개인정보 보호 및 규제 과제를 분석하기 위해.
• 다학제적 통찰과 향후 연구 방향을 통해 AI 기반 의료 분야의 전략적 의사결정을 안내하기 위해.

제안 방법

• 저자는 의료 영상 분야에서 LLM과 이해관계자 간 상호작용을 분석하기 위한 체계적인 시각으로 BIGR-H 프레임워크를 제안한다.
• 공개 데이터와 실제 사례를 활용한 질적이고 관점 중심의 분석을 수행하여 LLM 응용 사례를 설명한다.
• 사례는 주로 의료 텍스트 및 영상 보고서 처리 능력에 기반한 자연어 이해, 생성 및 추론 능력에서 유래된 LLM의 기능을 바탕으로 한다.
• 방사선학, 임상 워크플로우, 의료 교육 및 보건 정책 분야의 통찰을 통합하여 LLM의 영향을 다양한 분야에서 평가한다.
• 프레임워크를 활용해 진단 해석, 보고서 표준화, 환자 참여 및 연구 기획에 대한 LLM 영향을 분석한다.
• 데이터 기밀성, 편향, 책임 소재 및 AI 출력에 대한 신뢰도와 같은 윤리적 및 규제적 영향을 체계적 분석을 통해 평가한다.

Figure 1: Optimizing Clinical Workflow. (a) Clinical Report Structuring. (b) Automated Report Generation.

실험 결과

연구 질문

• RQ1 ChatGPT와 같은 LLMs는 의료 영상 보고서 분석 시 방사선의사의 해석 정확도와 효율성에 어떤 영향을 미치는가?
• RQ2 LLMs는 영상 검사 결과에 대해 환자와 의료 제공자 간 소통을 어떻게 향상시킬 수 있는가?
• RQ3 LLMs는 병원 내 임상 워크플로우를 어떻게 간소화하고 방사선의사의 행정 업무 부담을 줄일 수 있는가?
• RQ4 LLMs는 의료 영상 분야의 의료 교육 및 연구 발전에 어떤 역할을 할 수 있는가?
• RQ5 의료 영상 분야의 임상 및 연구 환경에 LLM을 통합함에 있어 발생하는 윤리적, 개인정보 보호 및 규제 과제는 무엇인가?

주요 결과

• LLMs는 구조화된 방사선 영상 보고서 작성 능력 향상으로 인해 방사선의사의 일관성 있는 해석과 분석 능력을 크게 향상시키며 변동성을 감소시킨다.
• LLMs는 복잡한 영상 결과를 환자 친화적인 언어로 설명함으로써 환자의 이해도를 높이고 치료 결정에 대한 참여도를 증진시킨다.
• LLMs는 시간 소모가 큰 문서 작업을 자동화하여 의료진의 업무 부담을 줄이고 직접 환자 간호에 집중할 수 있도록 한다.
• LLMs는 학생 및 수련의를 위한 개인 맞춤형 상호작용 기반 학습 보조 도구를 제공함으로써 의료 교육을 지원한다. 예를 들어 복잡한 영상 순서를 명확히 설명하는 데 기여한다.
• LLMs는 과학적 방법론에 부합하는 방식으로 가설 수립, 연구 방법 제안, 관련 문헌 탐색을 통해 연구 기획 단계에서 도움을 줌으로써 연구 지원에 기여한다.
• 이러한 이점에도 불구하고 LLMs는 데이터 기밀성, 모델 편향 및 책임 소재 문제와 같은 위험 요소를 내포하고 있어 철저한 거버넌스 및 규제 프레임워크가 필수적이다.

Figure 2: Enhancing Patient Communication, where an interactive Q&A is illustrated given a clinical report.