.svg)
AI 솔루션 문의하기
의료 판독지에 남는 손글씨는 일반적인 필기체보다 훨씬 폭넓은 개인차를 보이며 같은 의료진이라도 급하게 작성한 기록과 여유 있게 작성한 기록 사이에 형태 차이가 크게 나타납니다. 이런 편차를 폭넓게 아우르는 데이터를 확보하지 못하면 특정 필체에만 익숙한 편향된 인식 모델이 만들어질 가능성이 있습니다. 여러 진료과와 여러 연차의 의료진이 남긴 기록을 고르게 수집하는 작업이 이 편차를 반영합니다.
의료 현장에서는 진단명이나 처방 내용을 줄임말로 표기하는 관행이 널리 퍼져 있으며 같은 줄임말이라도 진료과나 문맥에 따라 전혀 다른 의미로 쓰이는 경우가 있습니다. 이런 중의성은 단순한 문자 인식만으로는 풀어낼 수 없고 앞뒤 문맥을 함께 살피는 판단이 필요합니다. 문맥에 따라 같은 표기가 다르게 해석되는 사례를 별도로 모아두면 이와 같은 중의성을 다루는 기준을 세우는 데 참고가 됩니다.
방사선 영상이나 병리 슬라이드 이미지 위에 의료진이 직접 손으로 화살표나 동그라미를 그리고 짧은 소견을 덧붙이는 경우가 있으며 이런 기록은 일반적인 문서 손글씨와 달리 이미지와 텍스트가 겹쳐 있는 형태로 존재합니다. 텍스트만 따로 추출하려 하면 배경의 영상 정보가 인식을 방해할 수 있어 이미지와 글자를 함께 다루는 별도의 처리 방식이 요구됩니다. 이런 복합 형태의 자료는 일반 문서 손글씨 데이터와 구분해 별도로 수집하고 라벨링하는 절차가 필요합니다.
디지털화되지 않은 채 남아 있는 과거의 종이 판독지는 시간이 지나며 잉크가 흐려지거나 종이 자체가 변색되어 글자의 경계가 뚜렷하지 않은 경우가 많습니다. 이런 자료를 학습데이터에 포함시키려면 손상 정도가 다른 여러 시기의 문서를 함께 확보해 인식 모델이 다양한 열화 상태에 대응하도록 훈련시켜야 합니다. 상태가 양호한 최근 자료만으로 학습을 마치면 오래된 기록을 디지털화하는 작업에서 정확도가 떨어지는 결과로 이어질 수 있습니다.
투약 용량이나 검사 수치처럼 판독지에 적힌 숫자는 그 값이 조금만 잘못 인식되어도 환자의 치료 방향에 영향을 줄 수 있어 일반 문서의 숫자 인식보다 훨씬 높은 정확도가 요구됩니다. 손으로 쓴 숫자는 특히 0과 6 또는 1과 7처럼 시각적으로 형태가 비슷한 숫자 사이의 혼동이 잦게 발생하는 지점입니다. 이런 혼동이 잦은 숫자 쌍을 별도로 표시해 집중적으로 학습시키는 절차가 오류를 줄이는 실질적인 방법이 됩니다.
의료 판독지의 손글씨를 정확히 옮겨 적으려면 필체를 읽어내는 능력과 함께 그 내용이 의학적으로 타당한지를 판단할 수 있는 배경지식이 함께 요구됩니다. 일반적인 손글씨 인식 작업에 투입되는 라벨러만으로는 의학 용어의 맥락을 놓치는 경우가 생길 수 있습니다. 의료 지식을 갖춘 인력을 라벨링 과정에 참여시키거나 최소한 의료진의 검수를 거치는 이중 구조를 갖추는 편이 안전합니다.
판독지의 서식은 병원마다 항목의 배치와 여백의 크기가 다르며 이런 양식 차이는 손글씨가 놓이는 위치와 줄 간격에도 영향을 줍니다. 하나의 양식만을 기준으로 학습된 모델은 다른 병원의 판독지를 다룰 때 인식 위치를 제대로 잡지 못하는 문제를 겪을 수 있습니다. 여러 병원의 서로 다른 양식을 폭넓게 수집해 두면 이런 서식 차이에 흔들리지 않는 인식 능력을 갖추는 데 도움이 됩니다.
판독지에는 환자의 이름이나 등록번호 같은 개인을 특정할 수 있는 정보가 함께 적혀 있으며 이 정보는 학습데이터로 활용하기 전에 반드시 가려야 합니다. 다만 개인정보를 지우는 과정에서 주변 손글씨의 형태까지 함께 훼손되면 정작 학습에 필요한 필체 정보가 줄어드는 결과로 이어집니다. 개인정보가 담긴 부분만 정교하게 가려내고 그 외의 필체 정보는 그대로 보존하는 세밀한 처리 방식이 필요합니다.
.svg)
.svg)
