[논문리뷰] A Modular Agent for Reliable and Auditable Spatial Relation Verification in CT Scans

2026년 8월 26일수정: 2026년 8월 26일

링크: 논문 PDF로 바로 열기

메타데이터

저자: Simon Vincent Abel, Heiko Hillenhagen, Michael Götz, Timo Ropinski, Ayhan Can Erdur, Daniel Santak Wolf

## 1. Key Terms & Definitions (핵심 용어 및 정의)

VLM (Vision-Language Models): 이미지와 텍스트를 동시에 처리하여 질의응답이나 보고서 생성을 수행하는 모델로, 본 논문에서는 의료 영상의 공간적 추론 능력 부족을 지적하는 대상임.
Agentic AI: 고정된 단일 모델의 추론 대신, 작업을 여러 하위 단계로 분해하고 Specialized Tool을 호출하여 결과를 도출하는 체계.
Spatial Relation Verification: CT 영상 내 해부학적 구조물 간의 상대적 위치 관계(예: ~의 왼쪽, ~의 위쪽)가 참인지 거짓인지 검증하는 작업.
Auditable: 시스템의 추론 과정을 단계별로 기록하여, 최종 결과에 이르는 중간 데이터를 통해 모델이 왜 그런 판단을 내렸는지 사후 추적이 가능한 특성.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 논문은 최신 VLM들이 의료 영상 내 해부학적 구조의 공간적 관계를 이해하는 데 있어 심각한 한계를 보이며, 이는 오진으로 이어질 위험이 있음을 지적한다. 기존의 End-to-End VLM 방식은 복잡한 공간 추론을 직접 수행하면서 할루시네이션을 유발하거나, 모델의 결정을 검증할 수 있는 근거를 제시하지 못하는 'Black-box' 문제를 가지고 있다 [Figure 1]. 이러한 문제로 인해 임상 현장에서의 신뢰성이 확보되지 않으며, 특히 radiology report 생성 시 필요한 정밀한 공간적 localization이 어렵다는 점이 핵심적인 연구 배경이다.

Figure 1: 제안하는 의료용 에이전트 프레임워크

Figure 1 — 제안하는 의료용 에이전트 프레임워크

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 본 논문은 공간 추론을 모듈화하여 신뢰성과 가독성을 높인 'Modular Medical Imaging Agent' 프레임워크를 제안한다 [Figure 1]. 제안 시스템은 사용자 질의를 받아 Language Parsing을 통해 구조화된 튜플을 생성하고, YOLO 기반의 detector를 활용하여 해당 장기를 Localization한 뒤, 검출된 객체의 중심 좌표를 기반으로 결정론적(Deterministic) 기하학적 연산을 수행하여 결과를 도출한다. 실험 결과, 제안된 Hybrid Agent는 Qwen2-VL 모델을 사용했을 때 94.1%의 Accuracy와 94.2%의 F1 score를 기록하여, End-to-End로 직접 질문한 경우(51.6% Accuracy) 대비 42.5%p의 압도적인 성능 향상을 보였다 [Table 1]. 또한, Stage-wise failure attribution 분석을 통해, 남은 오류의 주원인이 모델의 할루시네이션이 아닌 YOLO의 Imprecise localization(50.9%)과 파싱/객체 탐지 실패에 기인함을 명확히 규명하였다 [Table 2].

## 4. Conclusion & Impact (결론 및 시사점) 본 연구는 의료 영상 분석에 있어 End-to-End 예측 대신 명시적인 도구 기반의 검증 프레임워크를 도입함으로써 성능과 가독성을 동시에 개선하였다. 이 접근법은 의료 AI 시스템이 신뢰 가능한 의사결정을 내릴 수 있도록 'Auditable'한 추론 단계를 제공한다는 점에서 큰 의의가 있다. 본 논문의 모듈화된 프레임워크는 향후 volumetric reasoning이나 측정 중심의 추론 도구를 확장하는 데 강력한 기반이 될 것으로 기대된다.