Nature Medicine에 게재된 PRISM2의 범용 진단 성능

Microsoft Research와 현재 Tempus 소속인 Paige는 조직 이미지와 병리 보고서 언어를 동시에 학습한 파운데이션 모델 PRISM2를 개발해 Nature Medicine에 연구 결과를 발표했다. PRISM2는 전립선암, 유방암, 그리고 유방 림프절 전이 탐지 벤치마크에서 기존의 특정 암 전용 탐지 시스템과 대등하거나 이를 능가하는 성능을 기록했다. 연구팀은 각 진단 과제별로 별도의 전용 모델을 구축하지 않고도 하나의 모델로 이러한 성과를 달성했다. 이는 개별 암종마다 모델을 처음부터 새로 설계해야 했던 기존의 개발 경로를 범용 모델 활용 경로로 전환하는 근거가 된다. 특정 암에 특화된 모델을 여러 개 운용하며 발생했던 개발 및 운영상의 비효율을 줄이는 결과로 이어진다.

이미지와 병리 보고서를 결합한 수백만 건의 Q&A 학습 구조

개발팀은 조직 이미지와 실제 병리 보고서에서 추출한 텍스트 정보를 쌍으로 묶어 학습 데이터를 구성했다. 연구진은 이 데이터 쌍을 활용해 수백만 개의 질의응답(Q&A) 예시를 생성하여 모델을 학습시키는 구조를 구현했다. 구체적으로 조직 이미지의 특정 영역을 제시하고 그 상태를 묻는 질문과, 실제 보고서에 기재된 진단 결과를 정답으로 매칭하는 데이터셋을 구축했다. PRISM2는 수백만 건의 방대한 질의응답 쌍을 통해 이미지의 시각적 징후와 전문적인 임상 용어 사이의 상관관계를 학습했다. 이 과정을 통해 모델은 이미지의 시각적 특징을 텍스트라는 매개체로 변환하여 이해하는 능력을 갖추게 되었다.

시각적 표현 중심에서 언어 결합형 설계로의 전환

PRISM2는 병리를 단순히 눈으로 보는 시각적 학문이 아니라 진단명을 정의하고 기록하는 언어 중심의 학문으로 정의하고 모델을 설계했다. 기존의 병리 파운데이션 모델들은 주로 이미지에서 시각적 표현(Visual Representations)을 추출해 패턴을 찾아내는 학습에 집중했다. 반면 PRISM2는 조직의 시각적 패턴을 임상의가 진단 시 사용하는 전문 언어와 직접 연결하는 방식을 취했다. 이러한 설계는 AI가 단순한 패턴 인식을 넘어 병리사의 진단 논리를 더 정밀하게 모사하도록 돕는다. 텍스트 데이터의 결합은 모델이 이미지 속의 미세한 변화가 실제 진단명과 어떻게 연결되는지 학습하는 구체적인 근거가 된다.

프롬프트 기반 상호작용을 통한 단일 목적 모델의 한계 극복

PRISM2는 특정 암 탐지를 위한 단일 목적(Single-purpose) 설계를 벗어나 다양한 과제를 수행하는 범용 목적(General-purpose)으로 개발되었다. 기존 병리 AI 시스템은 새로운 애플리케이션을 추가할 때마다 해당 질환에 특화된 데이터를 다시 수집하고 모델 아키텍처를 최적화하는 제로 베이스 구축 과정을 반복해야 했다. PRISM2는 사용자가 프롬프트(Prompt)와 질문을 통해 모델과 상호작용하며 다양한 병리 분석 과제에 즉각적으로 대응하는 구조를 제공한다. 사용자는 이미지 단독 입력 또는 이미지와 텍스트를 동시에 입력하는 방식을 선택해 분석을 요청할 수 있다. 이는 전용 분석 소프트웨어의 고정된 메뉴를 선택하는 방식이 아니라 자연어 명령어를 통해 질의응답을 주고받는 워크플로우를 가능하게 한다.

모델 가중치 공개와 병리 AI 도구 개발의 판단 기준

Microsoft와 Paige는 연구용으로 활용 가능한 PRISM2의 전체 모델 가중치를 Hugging Face에 공개했다. 외부 연구자는 Hugging Face와 Hugging Face 링크를 통해 가중치를 내려받아 자신의 데이터셋에 적용할 수 있다. 공개된 가중치를 활용하면 기초부터 학습시키는 데 필요한 막대한 컴퓨팅 자원과 시간을 절약하며, 특정 병원이나 암종의 데이터에 맞게 모델을 미세 조정(Fine-tuning)하여 최적화된 도구를 구현할 수 있다. 새로운 병리 AI 도구를 개발할 때, 범용적인 병리 지식과 유연한 인터페이스가 필요하다면 PRISM2를 미세 조정하여 도입하고, 극소수의 희귀 사례에 특화된 초정밀 탐지만이 목적이라면 개별 전용 모델을 구축하는 것이 효율적이다.