[Paper] MHub.ai: 의료 영상에서 AI 모델을 위한 간단하고 표준화된 재현 가능한 플랫폼

Source: arXiv - 2601.10154v1

개요

MHub.ai는 의료 영상용 AI 모델을 단일하고 재현 가능한 인터페이스로 패키징하는 오픈‑소스, 컨테이너‑기반 플랫폼입니다. DICOM 및 기타 임상 포맷을 이해하는 표준화된 Docker 컨테이너에 동료‑검토된 모델을 래핑함으로써, 저자들은 현재 빠른 프로토타이핑, 벤치마킹, 그리고 임상 전환을 방해하는 “model‑integration hell”을 없애고자 합니다.

주요 기여

• 표준화된 컨테이너 포맷 for AI models that includes:
  • 통합 명령줄/API 진입점
  • 내장 DICOM 입력 및 출력 처리
  • 구조화된 메타데이터(모델 출처, 라이선스, 하드웨어 요구사항)
• 참조 데이터 번들을 각 모델에 포함시켜, 사용자가 컨테이너가 즉시 정상 실행되는지 검증할 수 있도록 함.
• 최신 모델들의 오픈소스 라이브러리(분할, 예측, 특징 추출) 를 다양한 영상 모달리티(CT, MRI, PET 등)에서 제공.
• 모듈형 프레임워크로 개발자가 최소한의 코드 변경만으로 PyTorch/TensorFlow 모델을 연결할 수 있음.
• 투명한 벤치마크 워크플로우를 통해 폐 분할 모델을 나란히 비교하고, 공개된 분할 결과, 메트릭, 인터랙티브 대시보드를 제공.
• 커뮤니티 준비된 기여 파이프라인(GitHub Actions, CI/CD)으로 모델이 허브에 추가되기 전에 재현성 검사를 강제함.

Methodology

1. Containerization – 각 모델은 런타임 환경(Python, 라이브러리, GPU 드라이버)을 포함한 Docker 이미지로 패키징되며, 일관된 CLI(mhubl run <model> --input <dicom_dir> --output <out_dir>)를 노출하는 얇은 래퍼 스크립트를 포함합니다.
2. Metadata schema – JSON‑LD 파일이 모델의 아키텍처, 학습 데이터, 평가 지표, 그리고 요구되는 하드웨어를 설명합니다. 이 스키마는 CI 과정에서 자동으로 검증됩니다.
3. Reference dataset – 각 모델마다 작고 공개된 DICOM 세트가 번들됩니다. 컨테이너를 가져온 후, 사용자는 알려진 출력을 생성하는 sanity‑check 명령을 실행하여 컨테이너가 기대대로 동작함을 확인합니다.
4. Benchmarking pipeline – 저자들은 여러 컨테이너를 가져와 동일한 테스트 코호트에서 실행하고 Dice 점수, 추론 시간, 메모리 사용량을 집계하는 재현 가능한 평가 스크립트를 구축했습니다. 결과는 Plotly 기반 대시보드로 시각화됩니다.
5. Extensibility – 새로운 모델은 Dockerfile, 메타데이터 JSON, 레퍼런스 데이터셋을 제공함으로써 추가됩니다. CI 파이프라인은 이미지를 빌드하고, sanity check를 실행한 뒤, 컨테이너를 Docker Hub와 MHub.ai 레지스트리에 배포합니다.

결과 및 발견

• 재현성 – 7개의 기본 폐‑분할 모델 모두 세 가지 다른 호스트 머신(Linux, Windows, macOS) 및 GPU 구성에서 참조 데이터에 대해 동일한 결과를 생성했으며, 이는 컨테이너 접근 방식이 환경 변동을 없애는 것을 확인한다.
• 벤치마킹 – 200건 외부 폐 CT 코호트에 평가했을 때, 최고 성능 모델은 평균 Dice 계수 0.93을 달성했으며, 최저 성능은 0.84였고; 추론 시간은 스캔당 0.8 s에서 3.2 s까지 다양하여 병렬 비교의 가치를 보여준다.
• 개발자 오버헤드 – 새로운 모델의 통합 시간이 평균 3–5 일(맞춤 스크립트, 의존성 지옥)에서 MHub.ai 템플릿을 사용해 2시간 이하로 감소했다.
• 커뮤니티 수용 – 출시 첫 달에 12개의 외부 연구 그룹이 저장소를 포크하고 4개의 추가 모델을 기여했으며, 이는 진입 장벽이 낮음을 보여준다.

Practical Implications

• Rapid prototyping – 데이터 과학자는 모델을 가져와 로컬 PACS 데이터에서 실행하고, 전처리 코드를 작성하지 않고도 결과를 얻을 수 있습니다.
• Consistent benchmarking – AI‑지원 방사선학 도구를 개발하는 기업은 동일한 레퍼런스 구현을 기준으로 벤치마크를 수행할 수 있어 성능 주장에 신뢰성을 부여합니다.
• Regulatory friendliness – 내장된 메타데이터와 레퍼런스 데이터는 FDA의 “software as a medical device” 문서 요구사항에 부합하는 감사 추적을 제공합니다.
• Scalable deployment – 각 모델이 자체 컨테이너에 존재하므로 Kubernetes나 AWS Batch와 같은 오케스트레이션 도구가 필요에 따라 다수의 추론 워커를 즉시 가동할 수 있어 클라우드‑네이티브 배포 파이프라인을 단순화합니다.
• Education & training – 의료 영상 교육 과정은 MHub.ai를 활용해 학생들이 복잡한 환경 설정 없이 최첨단 모델을 실험해 볼 수 있습니다.

제한 사항 및 향후 작업

• 모달리티 범위 – 현재 카탈로그는 CT와 MRI에 초점을 맞추고 있으며, 초음파, 병리 슬라이드 또는 다중 모달 융합으로 확장하려면 추가 포맷 어댑터가 필요합니다.
• 성능 오버헤드 – 컨테이너화는 베어메탈 실행에 비해 약 5 % 정도의 실행 시간 페널티를 추가하며, 이는 초저지연 애플리케이션에서는 무시할 수 없는 수준일 수 있습니다.
• 모델 라이선스 – 최신 모델 중 일부는 상업적 라이선스가 제한적이어서 오픈 허브에 포함하기 어렵습니다. 저자들은 사용자 자격 증명에 따라 접근을 제어할 수 있는 라이선스 인식 레지스트리를 구현할 계획입니다.
• 자동 검증 – 향후 릴리스에서는 업스트림 라이브러리(예: PyTorch)가 업데이트될 때 자동으로 레퍼런스 검사를 재실행하는 지속 학습 파이프라인을 통합하는 것을 목표로 합니다.

MHub.ai는 의료 영상 분야 AI 모델을 공유, 평가 및 배포하는 새로운 기준을 제시합니다—현재의 “와일드 웨스트” 즉석 스크립트를 재현 가능하고 개발자 친화적인 생태계로 전환합니다.

저자

• Leonard Nürnberg
• Dennis Bontempi
• Suraj Pai
• Curtis Lisle
• Steve Pieper
• Ron Kikinis
• Sil van de Leemput
• Rahul Soni
• Gowtham Murugesan
• Cosmin Ciausu
• Miriam Groeneveld
• Felix J. Dorfner
• Jue Jiang
• Aneesh Rangnekar
• Harini Veeraraghavan
• Joeran S. Bosma
• Keno Bressem
• Raymond Mak
• Andrey Fedorov
• Hugo JWL Aerts

Paper Information

• arXiv ID: 2601.10154v1
• Categories: cs.AI, cs.CV, cs.ET, cs.LG, cs.SE
• Published: 2026년 1월 15일
• PDF: PDF 다운로드