.svg)
AI 솔루션 문의하기
의료영상으로 AI 학습데이터를 구축할 때는 라벨러 수나 작업 속도만으로 업체를 평가하기 어렵습니다. 영상의 종류와 분석 목적에 맞는 라벨링 기준을 설정하고 이를 일정하게 적용할 수 있는지가 핵심적인 선정 기준이 됩니다. X-ray, CT, MRI, 초음파, 내시경 영상처럼 데이터 형태가 달라지면 확인해야 할 영역과 표시 방식도 달라집니다. 같은 영상이라도 병변의 위치를 표시하는지, 영역 전체를 구분하는지, 특정 특징을 분류하는지에 따라 작업 방법이 달라지므로 프로젝트에 맞는 경험을 갖췄는지 살펴봐야 합니다.
의료영상 데이터는 촬영 방식에 따라 이미지의 특성과 라벨링 난도가 크게 달라집니다. 업체가 특정 의료영상만 다뤄본 것인지 다양한 영상 유형의 구축 경험을 갖고 있는지 확인하는 과정이 필요합니다. 특히 CT나 MRI처럼 여러 장의 단면 이미지가 하나의 검사 데이터로 연결되는 경우에는 개별 이미지 단위의 작업과 검사 단위의 데이터 구조를 함께 이해해야 합니다. 영상 한 장만 보고 작업하는 일반 이미지 라벨링과는 다른 관리 기준이 적용될 수 있습니다.
의료영상에서는 같은 병변이나 이상 소견을 두고도 라벨러마다 표시 범위가 달라질 수 있습니다. 따라서 업체 선정 단계에서 작업자에게 전달할 라벨 정의와 세부 작업 기준을 얼마나 구체적으로 설계할 수 있는지를 확인하는 것이 좋습니다. 병변의 경계를 어디까지 표시할지, 여러 부위에 동일한 소견이 나타났을 때 어떻게 구분할지, 판독이 어려운 영상은 어떤 상태로 분류할지 등을 사전에 정해야 합니다. 기준이 문서화돼 있어야 프로젝트가 진행되는 동안 작업자 교체가 발생해도 데이터의 일관성을 유지하기 수월합니다.
의료영상 데이터는 라벨 자체의 정확도와 함께 원본 영상과 라벨이 올바르게 연결되는지 확인하는 관리 체계도 중요합니다. 특히 여러 이미지가 하나의 검사에 포함되는 경우 이미지 순서나 환자·검사 식별정보가 뒤섞이지 않도록 데이터 구조를 관리해야 합니다.
모든 의료영상 라벨링을 일반 작업자에게 동일한 방식으로 맡길 수 있는 것은 아닙니다. 병변의 특성이나 영상 소견처럼 의료적 판단이 필요한 항목은 전문가가 기준을 검토하고 라벨 결과를 확인하는 절차가 필요할 수 있습니다. 업체를 선정할 때는 의료진 또는 해당 분야 전문가와 협업할 수 있는 구조가 마련돼 있는지 살펴보는 것이 좋습니다. 단순한 객체 위치 표시와 의료적 의미를 부여하는 분류 작업을 구분해 각각 적절한 검토자를 배치하는 방식도 고려할 수 있습니다.
대규모 의료영상 데이터에서는 여러 명의 라벨러가 같은 기준으로 작업해야 하기 때문에 작업자별 판단 편차를 얼마나 빠르게 찾아내고 수정하는지가 품질 관리의 중요한 요소가 됩니다. 일부 데이터를 중복 라벨링해 결과를 비교하거나 검수자가 별도로 결과를 확인하는 방식이 활용될 수 있습니다. 의견이 갈린 사례는 단순히 한쪽 결과를 채택하는 데 그치지 않고 가이드의 어느 부분에서 해석 차이가 발생했는지 확인해야 이후 데이터에서도 같은 문제가 반복되는 것을 줄일 수 있습니다.
의료영상에는 환자를 식별할 수 있는 정보가 포함될 가능성이 있어 데이터를 누가 어떤 권한으로 열람하고 처리하는지에 대한 관리 체계를 업체 선정 과정에서 확인해야 합니다. 원본 데이터의 반출 범위와 저장 위치, 작업자별 접근 권한, 작업 완료 후 데이터 처리 방식 등을 함께 검토할 필요가 있습니다. 프로젝트에 참여하는 모든 인력이 동일한 데이터에 접근하는 구조보다 업무 범위에 따라 접근 권한을 제한하는 방식이 의료정보 관리 측면에서 유리합니다.
AI 학습데이터에서는 라벨의 내용뿐 아니라 어느 원본 영상에 해당 라벨이 붙었는지도 정확하게 관리해야 합니다. 영상 식별값과 라벨 파일의 연결 관계를 안정적으로 유지하는 데이터 관리 역량이 업체 선정에서 중요한 평가 항목이 될 수 있습니다. CT나 MRI처럼 여러 장의 이미지가 하나의 검사로 묶이는 경우에는 영상 간 순서와 검사 단위 정보가 유지돼야 합니다. 데이터 변환이나 파일 이동 과정에서 연결 정보가 사라지지 않는지 확인하는 절차도 필요합니다.
작업자가 모든 데이터를 직접 확인하는 방식만으로는 대규모 데이터의 오류를 빠르게 찾아내기 어렵습니다. 따라서 업체가 파일 누락이나 중복, 잘못된 라벨 형식, 좌표 범위 오류 등을 자동으로 탐지하는 검수 기능을 갖추고 있는지 살펴볼 필요가 있습니다. 자동 검수에서 발견된 이상 데이터는 사람이 다시 확인하고 수정하는 방식으로 연결하면 반복적인 형식 오류를 줄일 수 있습니다. 다만 자동 검수만으로 의료적 라벨의 적절성을 판단하기는 어려우므로 작업 유형에 맞는 사람 검수와 함께 운영하는 것이 적절합니다.
.svg)
.svg)
