유방암 진단을 위한 잠재 변수 기반 CURE 방법

Latent-CURE for Breast Cancer Diagnosis

다중 모드 대규모 모델은 자동화된 유방 초음파 진단 분야에 상당한 발전을 가져왔습니다. 그러나 대부분의 기존 프레임워크는 투명성이 떨어지는, 전체적인 통계적 상관 관계를 우선시하는 종단 간 방식으로 작동하며, 이는 구조화된 임상적 추론을 어렵게 만듭니다. 그 결과, 이러한 모델은 극심한 현실 세계의 역학적 불균형 속에서 단축 학습에 취약하며, 흔히 우세한 양성 패턴으로 인해 드물지만 중요한 악성 지표를 간과하는 경향이 있습니다. 이러한 문제점을 해결하기 위해, 우리는 잠재 공간 추론을 기반으로 하는 비대칭 가중 연쇄적 사고 방식을 활용하는 새로운 진단 프레임워크인 Latent-CURE를 제안합니다. 기존 방식과는 달리, 우리의 프레임워크는 모델이 최종 진단을 내리기 전에 표준화된 BI-RADS 형태학적 특징을 순차적으로 추론하도록 하는 암묵적인 추론 경로를 구축합니다. 또한, 중요한 악성 특징의 극심한 부족 문제를 해결하기 위해, 우리는 이 아키텍처와 함께 이중 비대칭 최적화 전략을 결합했습니다. 이 전략은 동적으로 마진과 가중치를 조정하여 높은 특이성을 갖는 악성 특징이 일반적인 양성 데이터에 의해 덮어쓰이는 것을 방지합니다. 종합적인 평가 결과, 우리의 지식 기반 접근 방식은 투명한 임상적 증거를 제공하는 동시에 불균형적인 의료 데이터 집합에서 견고하고 정확한 진단 성능을 달성함을 보여줍니다.

Multimodal Large Models have significantly advanced automated breast ultrasound diagnosis. However, most existing frameworks utilize opaque, end-to-end paradigms prioritizing global statistical correlations over structured clinical reasoning. Consequently, these models remain susceptible to shortcut learning amid extreme real-world epidemiological imbalances, often bypassing rare but decisive malignant indicators for dominant benign patterns. To address this disconnect, we propose Latent-CURE, a novel diagnostic framework driven by asymmetric weighted chain-of-thought methodology grounded in latent space reasoning. Unlike traditional approaches, our framework constructs an implicit reasoning trajectory forcing the model to sequentially infer standardized BI-RADS morphological descriptors before converging on a final diagnosis. Furthermore, to combat the extreme scarcity of critical malignant features, we couple this architecture with a dual-asymmetric optimization strategy. By dynamically adjusting margins and weights, this strategy safeguards high-specificity malignant descriptors from being overshadowed by common benign priors. Comprehensive evaluations demonstrate that our knowledge-injected approach provides transparent clinical evidence while achieving robust, accurate diagnostic performance in imbalanced medical cohorts.