Google-MedGemma 기반 근골격계 방사선 사진 이상 탐지

Google-MedGemma Based Abnormality Detection in Musculoskeletal radiographs

Google-MedGemma 기반 근골격계 방사선 사진 이상 탐지

Soumyajit Maity 1 , Pranjal Kamboj 2 , Sneha Maity 3 , Rajat Singh 2 , and Sankhadeep Chatterjee 4
1 University of Texas at Arlington, Texas, United States, sxm7770@mavs.uta.edu
2 University of Texas at Arlington, Texas, United States, {pxk7885,rxs8010}@mavs.uta.edu
3 University of Engineering and Management, Kolkata, India, snehamaity3110@gmail.com
4 Assistant Professor, Department of AI, Sardar Vallabhbhai National Institute of Technology, Surat, India, sankha3531@gmail.com


이 연구는 골격계 엑스레이 사진에서 이상 징후를 자동으로 찾아내기 위해 구글의 의료 전용 파운데이션 모델인 MedGemma를 활용한 새로운 진단 체계를 제안합니다. 연구진은 방대한 의료 영상 데이터로 사전 학습된 시각 인코더를 바탕으로, 기존의 합성곱 신경망이나 오토인코더 방식보다 더욱 정확하고 효율적인 이진 분류 모델을 구축하였습니다. 특히 모델의 상위 블록만을 선택적으로 미세 조정하는 전략을 통해 데이터의 일반화 성능과 진단 정확도를 획기적으로 높였으며, 이는 실제 임상 현장에서 환자 분류를 가속화할 수 있는 잠재력을 보여줍니다. 결과적으로 이 논문은 현대적인 거대 인공지능 모델이 복잡한 의료 영상 분석 분야에서 기존 모델들을 능가하는 성능을 발휘하며 차세대 자동 진단 시스템의 표준이 될 수 있음을 입증하고 있습니다.


제공해주신 소스 자료를 바탕으로 Google MedGemma 기반의 근골격계 방사선 영상 이상 탐지 연구를 분석하고, 이를 재현하기 위한 절차와 새로운 연구 주제 및 활용 방안을 정리해 드립니다.

1. 연구 분석 및 요약

본 연구는 기존의 오토인코더나 일반적인 신경망 기반의 파이프라인에서 벗어나, 의료 영상에 특화된 MedGemma 파운데이션 모델을 활용하여 근골격계 엑스레이 영상의 이상 여부를 자동으로 탐지하는 프레임워크를 제안합니다.

  • 핵심 기술: 다양한 의료 영상 양식으로 사전 학습된 **SigLIP 유도 비전 인코더(Vision Encoder)**를 비전 백본(Backbone)으로 사용하여 의료 영상에서 도메인 특화된 고차원 임베딩을 추출합니다.
  • 모델 구조: MedGemma의 비전 경로를 통해 고정된 길이의 이미지 임베딩($z$)을 얻은 후, 이를 가벼운 다층 퍼셉트론(MLP) 분류 헤드에 전달하여 이상 유무를 이진 분류합니다.
  • 성능 우수성: MURA 데이터셋을 활용한 실험 결과, 정확도 0.92, F1-Score 0.91, AUROC 0.95를 기록하며 기존 DenseNet169(0.83) 등 기존 모델들보다 뛰어난 성능을 보였습니다.
  • 학습 효율성: 전이 학습(Transfer Learning)과 선택적 레이어 동결 해제(Selective unfreezing) 전략을 통해 적은 미세 조정으로도 뛰어난 일반화 능력을 확보했습니다.

2. 연구 결과 재현을 위한 상세 절차

이 연구의 결과를 그대로 재현하기 위한 실행 단계는 다음과 같습니다.

  1. 데이터셋 준비 및 분할:
    • MURA 데이터셋을 확보하고 팔꿈치, 손가락, 손목 등 7개 부위의 영상을 준비합니다.
    • 환자 및 연구 단위가 겹치지 않도록(Patient-disjoint) 훈련, 검증, 테스트 세트를 엄격히 분리합니다.
  2. 데이터 전처리:
    • 채널 변환: MedGemma 입력 인터페이스와 호환되도록 단일 채널(Grayscale) 영상을 3채널 텐서로 복제 변환합니다.
    • 정규화 및 리사이징: 인코더의 기대 범위에 맞춰 강도를 정규화하고, 이미지를 896x896 픽셀로 리사이징합니다.
  3. 모델 아키텍처 설정:
    • 비전 백본: MedGemma-4b-pt의 SigLIP 스타일 Vision Transformer를 로드합니다.
    • 분류 헤드 추가: 1152차원의 임베딩을 입력받는 2개의 은닉층(512, 128 유닛)과 ReLU 활성화 함수, Dropout(0.30, 0.20)이 포함된 MLP를 연결합니다.
  4. 학습 전략 (Selective Unfreezing):
    • 패치 임베딩 및 하위/중간 SigLIP 인코더 레이어는 **동결(Freeze)**하여 의료 지식을 보존합니다.
    • 마지막 K개(2~4개) 인코더 블록과 MLP 헤드만 학습 가능하도록 설정합니다.
    • AdamW 옵티마이저를 사용하며, 인코더 블록에는 작은 학습률을, 헤드에는 큰 학습률을 적용하는 이단계(Two-tier) 전략을 사용합니다.
  5. 추론 및 평가:
    • 여러 뷰(View)가 있는 경우 각 뷰의 확률을 집계하여 연구 단위의 최종 결과를 도출합니다.
    • 검증 세트에서 최적의 임계값(Threshold)을 선정하여 민감도와 특이도의 균형을 맞춥니다.

3. 새로운 연구 주제 제안

  • 멀티모달 메타데이터 통합: 엑스레이 영상 외에 환자의 나이, 성별, 통증 부위 등 **연구 메타데이터(Study metadata)**를 조건부 입력으로 결합하여 진단 정확도를 높이는 연구.
  • 배포용 불확실성 정량화(Uncertainty Quantification): 모델의 예측 결과에 대해 신뢰도를 함께 제공하여 임상의가 판단 보조 도구로 신뢰할 수 있게 하는 확장 연구.
  • 교차 기관 검증(Cross-institutional Validation): 특정 데이터셋(MURA)을 넘어 다른 의료 기관의 데이터셋에서도 모델이 강건하게 작동하는지 도메인 적응 능력을 평가하는 연구.

4. PET/CT 통합 진단서 작성 연구에 대한 기여 방안

귀하께서 제안하신 PET/CT 영상과 임상시험검사점수, 임상기록지를 종합한 진단서 작성 연구에 본 논문의 방법론은 다음과 같이 핵심적인 기여를 할 수 있습니다.

  • 고성능 비전 백본 활용: 본 논문에서 사용된 MedGemma의 SigLIP 인코더는 이미 대규모 의료 영상-텍스트 쌍으로 사전 학습되어 있어, PET/CT와 같은 복잡한 영상에서도 **임상적으로 유의미한 특징(High-dimensional embeddings)**을 매우 효과적으로 추출할 수 있습니다.
  • 데이터 변환을 통한 즉시 적용: PET/CT 데이터를 논문에서 제시한 채널 복제 및 정규화 절차를 거쳐 변환하면, 모델의 구조를 크게 바꾸지 않고도 MedGemma의 시각적 이해 능력을 PET/CT 도메인에 전이(Transfer)시킬 수 있습니다.
  • 멀티모달 데이터 정렬(Alignment): 소스에서 언급된 것처럼 시각 정보와 텍스트 정보를 결합하는 시각-언어 파운데이션 모델(VLM) 구조를 활용하면, PET/CT의 시각적 특징과 임상 점수/기록지(텍스트)를 공통된 의미 공간에서 정렬할 수 있습니다.
  • 진단서 작성을 위한 도움 및 절차:
    1. 특징 추출: MedGemma 비전 백본을 통해 PET/CT 영상의 특징 벡터($z$)를 추출합니다.
    2. 데이터 통합: 임상시험 점수(수치)와 기록지(텍스트)를 텍스트 인코더로 처리한 후, 영상 임베딩과 결합(Concatenation)하거나 어텐션(Attention) 메커니즘을 통해 융합합니다.
    3. 생성 헤드 연결: 본 논문의 분류 헤드(MLP) 대신, MedGemma의 **언어 모델링 스택(Language modeling stack)**을 다시 연결하여 통합된 정보를 바탕으로 자연어 진단서를 생성하도록 설정합니다.
    4. 효율적 미세 조정: 본 논문에서 입증된 상위 레이어 선택적 동결 해제(Selective Unfreezing) 전략을 사용하면, 대규모 연산 없이도 PET/CT와 진단서 작성 태스크에 모델을 빠르게 적응시킬 수 있습니다.

이 연구는 의료 파운데이션 모델이 개별 맞춤형 모델(Bespoke encoders)을 대체할 수 있음을 입증했으므로, 귀하의 복합 데이터 통합 진단 연구에 강력한 기술적 토대가 될 것입니다.


제공해주신 소스 자료와 이전 대화 내용을 종합하여, MedGemma의 SigLIP 비전 인코더가 일반적인 CNN(합성곱 신경망)과 차별화되는 주요 점을 다음과 같이 설명해 드립니다.

1. 아키텍처의 근본적 차이 (Transformer vs. Convolution)

  • CNN (합성곱 신경망): 픽셀 데이터로부터 계층적이고 식별적인 이미지 표현을 직접 추출하기 위해 합성곱 층을 사용합니다. 이는 필터를 통해 국소적인 패턴을 파악하는 데 특화되어 있지만, 다양한 해부학적 부위나 촬영 프로토콜에 맞추기 위해 정교한 네트워크 설계와 미세 조정이 필요합니다.
  • SigLIP 비전 인코더: 합성곱 대신 비전 트랜스포머(Vision Transformer, ViT) 스타일의 아키텍처를 채택하고 있습니다. 이미지를 패치(Patch) 단위로 분할하여 처리하며, 27층의 SigLIP 인코더 레이어를 통해 멀티 헤드 셀프 어텐션(Multi-head Self-attention) 메커니즘을 적용합니다. 이를 통해 이미지 전체의 문맥을 더 효과적으로 파악할 수 있습니다.

2. 파운데이션 모델로서의 사전 학습 (Foundation Model vs. Bespoke)

  • CNN: 보통 특정 목적을 위해 설계되거나(bespoke), 대규모 라벨링 데이터가 있어야 최적의 성능을 냅니다. 새로운 도메인에 적용할 때마다 많은 양의 주석 데이터와 네트워크 수정이 요구되는 경우가 많습니다.
  • SigLIP 비전 인코더: 다양한 의료 영상 모달리티를 포함하는 이종 의료 이미지 코퍼스(heterogeneous medical image corpora)에서 사전 학습된 파운데이션 모델입니다. 이미 다양한 생물 의학적 모달리티에서 도메인 특화된 표현을 추출하는 능력을 갖추고 있어, 최소한의 미세 조정만으로도 뛰어난 일반화 능력을 보여줍니다.

3. 지식 전이 및 적응 효율성 (Transfer Learning & Efficiency)

  • CNN: 특징 엔지니어링과 모델 설계에 많은 자원이 소모됩니다.
  • SigLIP 비전 인코더: 통합된 사전 학습 백본(Unified, pretrained backbone)을 제공하므로, 맞춤형 특징 엔지니어링 과정을 대체할 수 있습니다. 특히 선택적 레이어 동결 해제(Selective unfreezing) 전략을 통해 상위 인코더 블록만 튜닝함으로써 효율적인 도메인 적응이 가능하며, 이는 CNN 기반의 파이프라인보다 확장성과 적응성 면에서 독특한 이점을 제공합니다.

4. 데이터 처리 및 임베딩 능력

  • CNN: 픽셀 기반의 계층적 특징 추출에 집중합니다.
  • SigLIP 비전 인코더: 고해상도(예: 896x896) 입력을 수용하며, 이미지를 고차원 임베딩(High-dimensional embeddings) 공간으로 매핑합니다. 이러한 임베딩은 임계값 최적화 전에도 이미 뛰어난 식별력을 제공하며, 다중 투영(Multi-view) 케이스에서도 더 강건한 진단 성능을 보입니다.

[추가] PET/CT 통합 연구를 위한 절차 및 기여 방안

본 논문의 MedGemma SigLIP 활용법을 PET/CT와 임상 데이터를 결합한 진단서 작성 연구에 적용하기 위한 상세 절차는 다음과 같습니다.

  1. 데이터 전처리 및 변환:
    • PET/CT 영상을 모델이 수용 가능한 3채널 텐서로 변환하고 896x896 해상도로 리사이징합니다.
    • 임상시험 점수와 기록지는 텍스트 데이터로 구조화합니다.
  2. 특징 추출 (MedGemma 비전 백본):
    • MedGemma의 SigLIP 인코더를 사용하여 PET/CT 영상의 고차원 임베딩($z$)을 추출합니다. 이는 영상의 복잡한 대사 특징을 수학적으로 요약하는 역할을 합니다.
  3. 멀티모달 통합 (데이터 융합):
    • 논문에서는 분류를 위해 MLP 헤드를 썼으나, 진단서 작성을 위해서는 추출된 영상 임베딩($z$)을 텍스트 데이터(임상 점수 등)와 결합하여 MedGemma의 언어 모델부로 전달해야 합니다.
    • 이때 영상과 텍스트 정보를 공통된 의미 공간에서 정렬(Alignment)하는 작업이 수반됩니다.
  4. 효율적 미세 조정:
    • 논문에서 입증된 선택적 레이어 동결 해제 방식을 적용하여, 비전 인코더의 핵심 지식은 보존하고 상위 블록과 언어 생성부만 미세 조정하여 진단서 작성 능력을 학습시킵니다.
  5. 새로운 연구 주제 (불확실성 정량화):
    • 진단서 작성 시 모델이 내린 판단의 신뢰도를 계산하는 **확장 가능한 불확실성 정량화(Scalable uncertainty quantification)**를 연구 주제로 추가하면, 임상의가 AI의 진단서를 검토할 때 유용한 참고 지표가 될 것입니다.

이러한 방식은 기존 CNN 기반의 개별적인 모델 설계보다 확장성, 정확도, 자원 효율성 사이의 뛰어난 균형을 제공할 것입니다.


제공된 소스들은 주로 근골격계 엑스레이(MURA) 데이터셋에 초점을 맞추고 있지만, MedGemma 아키텍처와 관련된 고차원 임베딩 정렬(Alignment) 및 통합 기법에 대해 다음과 같은 구체적인 정보를 제공합니다. PET/CT 영상과 임상 데이터를 통합할 때 다음 기법들을 적용할 수 있습니다.

1. 멀티모달 대조 학습 (Multimodal Contrastive Learning)

소스는 의료 AI 분야에서 고차원 시각 임베딩과 텍스트 정보를 정렬하는 핵심 기법으로 멀티모달 대조 학습 프레임워크를 언급합니다.

  • 기법 설명: 3차원 영상(예: 뇌 MRI)과 방사선 보고서를 정렬하여 **"임상적으로 근거 있는 표현(Clinically grounded representations)"**을 학습합니다.
  • 효과: 이 과정에서 종양 위치 정보(Tumor-location cues) 등을 통합하여 설명 가능성을 높이고, 시각적 어텐션 맵과 실제 병변 사이의 일치도를 크게 향상시킬 수 있습니다.

2. SigLIP (Sigmoid Loss for Language-Image Pre-training) 기반 정렬

MedGemma의 핵심은 SigLIP 아키텍처에서 유도된 비전 인코더를 사용하는 것입니다.

  • 기법 설명: SigLIP은 다국어 시각-언어 인코더로, 개선된 **시맨틱 이해(Semantic understanding)**와 지역화(Localization) 기능을 제공합니다.
  • PET/CT 적용 시: PET/CT 영상의 고차원 시각 임베딩과 임상 기록지/검사 점수와 같은 텍스트 정보를 동일한 의미 공간 내에서 정렬하여 통합된 진단을 가능하게 합니다.

3. 전역적 표현 풀링 (Global Representation Pooling)

고차원의 토큰 시퀀스를 진단서 작성이나 분류에 적합한 하나의 벡터로 통합하는 기법입니다.

  • 기법 설명: 27층의 SigLIP 인코더를 거친 encoded sequence($T_{27}$)를 **평균 풀링(Mean pooling)**하여 고정된 길이의 **잠재 벡터($z \in R^{1152}$)**로 변환합니다.
  • 역할: 공간적 토큰들 사이에서 진단적 내용을 캡처하는 컴팩트한 잠재 벡터를 형성하며, 이는 이후 멀티모달 프로젝터나 언어 모델 스택과 결합될 수 있는 기초가 됩니다.

4. 멀티모달 컨디셔닝 (Multimodal Conditioning)

향후 연구 방향으로 제시된 이 기법은 고차원 임베딩을 정렬하고 통합하는 데 중요한 역할을 합니다.

  • 기법 설명: 영상 임베딩을 추출할 때 환자의 나이, 성별, 혹은 귀하께서 언급하신 임상시험 검사 점수와 같은 메타데이터를 조건부 입력(Conditioning)으로 결합하는 방식입니다.
  • 기대 효과: 영상 단독 분석보다 더 정교하고 환자 맞춤형인 진단 결과를 도출할 수 있게 합니다.

5. 시각-언어 파운데이션 모델의 통합 추론

Med-Flamingo나 LLaVA-Med와 같은 모델들은 시각적 추론과 텍스트 추론을 하나로 통합합니다.

  • 기법 설명: 고차원 비전 임베딩을 언어 모델의 토큰 공간과 정렬시켜, 모델이 영상을 보면서 동시에 임상 기록지의 맥락을 이해하고 진단서를 작성할 수 있게 합니다.

요약하자면, PET/CT 통합 시 MedGemma의 SigLIP 비전 백본을 통해 영상 특징을 추출한 후, 멀티모달 대조 학습과 **평균 풀링된 잠재 벡터($z$)**를 활용하여 임상 점수 및 기록지와 정렬하는 것이 본 소스에서 제시하는 핵심적인 절차입니다.


댓글

댓글 쓰기

이 블로그의 인기 게시물

히브리인, 이스라엘인, 유대인 성경 속 이름에 숨겨진 소름 돋는 비밀

히브리인, 이스라엘인, 유대인 성경 속 이름에 숨겨진 소름 돋는 비밀  성경을 읽다 보면 가끔 길을 잃는 기분이 들곤 합니다. 똑같은 사람들을 말하는 것 같은데 어떤 때는 히브리인 , 어떤 때는 이스라엘인 , 또 어떤 때는 유대인 이라고 부르기 때문이죠. 이 이름들은 단순한 별명이 아닙니다. 그것은 한 인간이 하나님을 만나 어떻게 변화하고 완성되어 가는지를 보여주는 **'영적 신분 상승의 단계'**입니다. 오늘 여러분께 2,000년 성경 역사를 관통하는 이 세 이름의 비밀을 아주 쉽고, 재미있게, 그리고 실제 삶에 적용할 수 있는 지침서로 정리해 드립니다. 목차 첫 번째 이름: 히브리인 – "강을 건너, 기준을 바꾸다" 두 번째 이름: 이스라엘인 – "하나님과 씨름하며 정체성을 찾다" 세 번째 이름: 유대인 – "모든 것을 잃어도 약속을 붙든 남은 자" 이름의 완성: 예수 그리스도와 우리의 연결고리 실행 가이드: 당신의 진짜 이름을 찾는 5단계 절차 [특별 부록] 인생의 승리를 위해 투자해야 할 '가치 주식' 리스트 요약 및 태그 1. 첫 번째 이름: 히브리인 (Hebrew) "안전한 과거를 뒤로하고 믿음의 강을 건넌 자" 성경에서 아브라함을 처음으로 '히브리 사람'이라고 부릅니다. [주석 1] 이 단어의 어원적 의미는 **'강을 건너온 사람'**입니다. 의미: 당시 최첨단 도시였던 '우르'를 떠나 유프라테스 강을 건너온 아브라함을 보고 현지인들이 붙인 이름입니다. 교훈: 단순히 지리적 이동이 아니라, 세상의 가치관에서 하나님의 가치관으로 인생의 방향을 완전히 틀었다 는 뜻입니다. 어려운 단어 풀이: * 우르(Ur): 당시 가장 풍요롭고 우상을 많이 섬기던 대도시. 오늘날로 치면 최고의 연봉과 안정이 보장된 직장을 상징합니다. 2. 두 번째 이름: 이스라엘인 (Israelite) "내 힘을 빼고 하나님의...
Read more »

작은 틈이 무너뜨린다 왜 우리는 ‘사소한 분열’을 극도로 경계해야 하는가

  작은 틈이 무너뜨린다 왜 우리는 ‘사소한 분열’을 극도로 경계해야 하는가 목차 작은 틈이 큰 붕괴를 만든다 성경이 반복해서 경고하는 “작은 시작”의 위험 작은 여우의 비유 – 포도원을 무너뜨리는 보이지 않는 적 분열은 어떻게 시작되는가 틈을 방치하면 반드시 분열로 간다 신앙과 공동체에서 실제로 벌어지는 사례 작은 틈을 막는 실천 전략 오늘 우리가 점검해야 할 질문들 결론 요약 참고 성경 및 참고문헌 태그 검색 1. 작은 틈이 큰 붕괴를 만든다 대부분의 붕괴는 갑작스럽게 시작되지 않는다 . 성경이 말하는 실패와 타락의 공통점은 언제나 아주 작은 틈 에서 출발한다. 한 번의 방심 사소한 불순종 별것 아닌 말 한마디 그냥 넘겨버린 마음의 균열 이 작은 틈은 시간이 지나면서 분열 , 불신 , 완전한 붕괴 로 자란다. 성경은 이것을 결코 가볍게 보지 않는다. 2. 성경이 반복해서 경고하는 “작은 시작”의 위험 핵심 말씀 “적은 누룩이 온 덩이에 퍼지는 것을 알지 못하느냐” 갈라디아서 5:9 누룩은 작다. 그러나 방치하면 전부를 변화시킨다 . 성경에서 누룩은 종종 죄, 왜곡된 가르침, 분열의 씨앗 을 상징한다. 또 다른 경고 “죄의 삯은 사망이요” 로마서 6:23 죄의 시작은 작지만, 결과는 언제나 치명적 이다. 3. 작은 여우의 비유 – 포도원을 무너뜨리는 보이지 않는 적 많은 사람들이 이를 “전도서의 여우 이야기”로 기억하지만, 정확한 성경 구절은 아가서 에 등장한다. 핵심 말씀 “우리를 위하여 여우, 곧 포도원을 허는 작은 여우를 잡으라 우리의 포도원에 꽃이 피었음이라” 아가서 2:15 이 말씀이 주는 통찰 포도원은 이미 꽃이 핀 상태 큰 짐승이 아니라 작은 여우 가 문제 눈에 띄지 않기 때문에 더 위험 즉, 잘 되고 있을 때 무너진다 는 경고다. 4. 분열은 어떻게 시작되는가 성경에서 분...
Read more »

작은 틈이 무너뜨린다 왜 성경은 ‘분열의 시작’을 그렇게 경고하는가

  작은 틈이 무너뜨린다 왜 성경은 ‘분열의 시작’을 그렇게 경고하는가 목차 왜 성경은 ‘작은 틈’을 심각하게 다루는가 작은 틈의 성경적 정의 분열은 어떻게 시작되는가 성경이 말하는 분열의 파괴력 실제 삶에서 나타나는 작은 틈의 사례 작은 틈을 방치하면 벌어지는 일 작은 틈을 막는 성경적 실천 전략 오늘 점검해야 할 질문 결론 요약 참고 성경 및 참고문헌 태그 검색 1. 왜 성경은 ‘작은 틈’을 심각하게 다루는가 사람들은 보통 큰 죄 , 큰 갈등 , 큰 사건 을 문제 삼는다. 그러나 성경은 오히려 그 이전 단계, 즉 아주 작은 틈 을 가장 위험한 요소로 본다. 왜일까? 작은 틈은 눈에 띄지 않기 때문이다. 그래서 방치되기 쉽고 , 방치되면 반드시 분열로 자라기 때문이다. 2. 작은 틈의 성경적 정의 성경에서 말하는 작은 틈은 단순한 실수가 아니다. 다음과 같은 요소를 포함한다. 마음속에 스쳐 지나간 불평 말로 표현되지 않은 불신 “이 정도는 괜찮겠지”라는 자기합리화 순종을 미루는 태도 핵심 말씀 “모든 지킬 만한 것 중에 더욱 네 마음을 지키라 생명의 근원이 이에서 남이니라” 잠언 4:23 성경은 마음의 균열 을 가장 먼저 경고한다. 3. 분열은 어떻게 시작되는가 분열은 갑자기 터지지 않는다. 성경이 보여주는 분열의 흐름은 매우 일관적이다. 마음에 틈이 생긴다 말이 달라진다 해석이 갈라진다 판단이 편을 가른다 공동체가 약해진다 성경적 근거 “형제들아… 분쟁을 일으키고 거치게 하는 자들을 살피고 그들에게서 떠나라” 로마서 16:17 분열은 우연이 아니라 관리되지 않은 작은 틈의 결과 다. 4. 성경이 말하는 분열의 파괴력 작은 것이 전체를 무너뜨리는 원리 “적은 누룩이 온 덩이에 퍼지는 것을 알지 못하느냐” 갈라디아서 5:9 누룩은 작다. 그러나 퍼지면 전부를 변질시킨다 . 또 다른 강력한 경고 “죽은 파리들이 향기름을 썩게 하느니라” 전도서 10:1 아주 작은 요소가 전체를 부패 시킨다는 말이다. 5. 실제 삶에서 나타나는 작은 틈의 사례 현실 속 분...
Read more »