MedGemma 파인튜닝을 위한 데이터셋 준비, "병원 데이터 → 학습 데이터" 완전 가이드[pe]

 MedGemma 파인튜닝을 위한 데이터셋 준비, "병원 데이터 → 학습 데이터" 완전 가이드[pe]

  1. MedGemma 파인튜닝 데이터셋 핵심 원칙

MedGemma 파인튜닝 데이터는 이미지+텍스트 쌍(pair) 형태로 준비해야 한다.toyourlight.tistory+1​
텍스트 전용 27B는 순수 텍스트 데이터, 멀티모달 4B는 X-ray/CT 이미지 + 판독 보고서/질문-답변 쌍이 기본 구조다.table-m.cafe.daum​

핵심 3원칙:

  1. 비식별화 필수: 이름, 주민번호, 병원명 완전 제거

  2. IRB 승인: 병원 데이터 사용 시 연구윤리위원회 승인

  3. 품질 > 양: 1000개 고품질 데이터가 10만 개 노이즈 데이터보다 낫다

  1. 데이터셋 구조 설계 (3가지 패턴)

패턴 A: X-ray + 판독 보고서 (가장 일반적)

text
dataset/
├── images/
│   ├── cxr_001.png      # DICOM → PNG 변환
│   ├── cxr_002.png
│   └── ...
├── reports/
│   ├── cxr_001.txt      # "심비대(cardiomegaly), 폐렴(pneumonia) 의심"
│   ├── cxr_002.txt
│   └── ...
└── metadata.csv         # 이미지ID, 라벨, 난이도 등

패턴 B: 이미지 + VQA (시각적 질문-답변)

text
"image": "cxr_001.png",
"question": "우심비대가 보이는가?",
"answer": "예, 심실 비대(left ventricular hypertrophy) 소견 관찰됨"

패턴 C: 텍스트 전용 (EHR 요약 등)

text
"input": "60세 남성, 당뇨 10년차, 최근 HbA1c 9.2%",
"output": "당뇨병 대조 불량, 인슐린 치료 고려"

  1. 단계별 데이터 준비 절차 (실행 가능)

STEP 1. 원본 의료 데이터 수집 및 비식별화

python
import pandas as pd
import os
from pathlib import Path

# 1) 병원 PACS에서 DICOM 추출 (가정)
# 실제로는 IRB 승인 + PACS 전문가 협업 필요
raw_data_dir = Path("raw_pacs_export")
processed_dir = Path("medgemma_dataset")

# 2) 메타데이터 CSV 생성
metadata = []
for dicom_file in raw_data_dir.glob("*.dcm"):
    metadata.append({
        "image_id": dicom_file.stem,
        "image_path": str(dicom_file),
        "report_path": None,  # 추후 생성
        "age": None,          # 비식별화로 제거
        "sex": None,          # 비식별화로 제거
        "deidentified": True
    })

df = pd.DataFrame(metadata)
df.to_csv(processed_dir / "metadata.csv", index=False)

STEP 2. DICOM → PNG 변환 + Windowing

python
import pydicom
import numpy as np
from PIL import Image
import cv2

def dicom_to_png(dicom_path, output_path, window_center=40, window_width=400):
    """DICOM → 의료용 PNG 변환"""
    ds = pydicom.dcmread(dicom_path)
    
    # 픽셀 데이터 추출
    pixel_array = ds.pixel_array.astype(np.float32)
    
    # Windowing 적용 (폐/심장 최적화)
    min_val = window_center - window_width // 2
    max_val = window_center + window_width // 2
    windowed = np.clip((pixel_array - min_val) / window_width * 255, 0, 255)
    
    # 3채널 RGB로 변환 (MedGemma 요구사항)
    rgb_image = np.stack([windowed, windowed, windowed], axis=-1).astype(np.uint8)
    
    # PNG 저장 (의료 영상 압축 손실 최소화)
    Image.fromarray(rgb_image).save(output_path, "PNG")
    return output_path

# 벌크 변환
images_dir = processed_dir / "images"
images_dir.mkdir(exist_ok=True)

for idx, row in df.iterrows():
    png_path = images_dir / f"{row['image_id']}.png"
    dicom_to_png(row['image_path'], png_path)
    df.at[idx, 'image_png'] = str(png_path)

STEP 3. 판독 보고서 텍스트 정제

python
import re

def clean_medical_report(report_text):
    """의료 보고서 텍스트 정제"""
    # 1) 개인정보 제거 (정규식)
    patterns = [
        r'\b[0-9]{6,}\b',  # 주민번호 등
        r'[가-힣]{2,4}병원',  # 병원명
        r'\b[가-힣]{2,4}\s+[가-힣]{2,}\b',  # 이름 패턴
    ]
    
    for pattern in patterns:
        report_text = re.sub(pattern, '[DEIDENTIFIED]', report_text)
    
    # 2) 섹션 분리 (Findings, Impression 위주)
    sections = re.split(r'Findings?|소견|Impression', report_text, flags=re.IGNORECASE)
    cleaned = sections[-1].strip()[:2000]  # MedGemma 컨텍스트 제한
    
    return cleaned

# 보고서 파일 정제
reports_dir = processed_dir / "reports"
reports_dir.mkdir(exist_ok=True)

for idx, row in df.iterrows():
    # 가정: 원본 보고서 파일 존재
    report_path = reports_dir / f"{row['image_id']}.txt"
    with open(report_path, 'w', encoding='utf-8') as f:
        cleaned_report = clean_medical_report("원본 보고서 텍스트")
        f.write(cleaned_report)
    df.at[idx, 'report_path'] = str(report_path)

STEP 4. MedGemma 입력 형식으로 변환 (JSONL)

python
def create_medgemma_jsonl(df, output_path):
    """MedGemma 멀티모달 학습용 JSONL 생성"""
    data = []
    
    for _, row in df.iterrows():
        entry = {
            "image": str(row['image_png']),
            "messages": [
                {
                    "role": "user",
                    "content": [
                        {"type": "image", "image": str(row['image_png'])},
                        {"type": "text", "text": "이 영상의 주요 소견을 설명해 주세요."}
                    ]
                },
                {
                    "role": "assistant",
                    "content": [{"type": "text", "text": clean_medical_report(row['report_path'])}]
                }
            ]
        }
        data.append(entry)
    
    # JSONL 저장 (HuggingFace datasets 호환)
    with open(output_path, 'w', encoding='utf-8') as f:
        for item in data:
            f.write(json.dumps(item, ensure_ascii=False) + '\n')

create_medgemma_jsonl(df, processed_dir / "train.jsonl")

STEP 5. 데이터셋 분할 및 품질 검증

python
from sklearn.model_selection import train_test_split

# 8:1:1 분할
train_df, temp_df = train_test_split(df, test_size=0.2, random_state=42)
val_df, test_df = train_test_split(temp_df, test_size=0.5, random_state=42)

# 품질 검토 (랜덤 샘플 5개)
sample_df = train_df.sample(5)
for _, row in sample_df.iterrows():
    print(f"ID: {row['image_id']}")
    print(f"이미지: {row['image_png']}")
    print(f"보고서 길이: {len(open(row['report_path']).read())}자")
    print("-" * 50)

STEP 6. HuggingFace datasets 형식으로 최종 변환

python
from datasets import Dataset, DatasetDict

# JSONL 로드
dataset = Dataset.from_json("medgemma_dataset/train.jsonl")

# train/val/test 분할
train_dataset = dataset.select(range(800))    # 80%
val_dataset = dataset.select(range(800, 900))  # 10%
test_dataset = dataset.select(range(900, 1000)) # 10%

dataset_dict = DatasetDict({
    "train": train_dataset,
    "validation": val_dataset,
    "test": test_dataset
})

dataset_dict.save_to_disk("medgemma_final_dataset")
print(f"최종 데이터셋: {dataset_dict}")

  1. 실제 의료기관에서 활용 가능한 공개 데이터셋

즉시 사용 가능한 데이터셋:

text
1. MIMIC-CXR (가장 추천)
   - 377,000 흉부 X-ray + 보고서
   - https://physionet.org/content/mimic-cxr/2.0.0/
   - MedGemma 훈련에 실제 사용됨

2. CheXpert
   - 224,000 흉부 X-ray + 14개 라벨
   - https://stanfordmlgroup.github.io/competitions/chexpert/

3. PadChest
   - 160,000 스페인어 X-ray + 보고서
   - https://bimcv.cipf.es/bimcv-projects/padchest/

한국어 데이터셋:

text
- KCDC 폐렴 X-ray 데이터셋
- 서울대병원 공개 데이터 (제한적)

  1. 데이터셋 통계 및 품질 체크리스트

python
def validate_medgemma_dataset(dataset_dict):
    """파인튜닝 전 필수 품질 검증"""
    
    for split in dataset_dict:
        ds = dataset_dict[split]
        print(f"\n{split} 통계:")
        print(f"- 샘플 수: {len(ds)}")
        print(f"- 평균 이미지 크기: {np.mean([len(str(ex['image'])) for ex in ds])}")
        print(f"- 평균 텍스트 길이: {np.mean([len(ex['messages'][1]['content'][0]['text']) for ex in ds])}")
        
        # 이상치 제거
        long_texts = sum(1 for ex in ds if len(ex['messages'][1]['content'][0]['text']) > 2000)
        print(f"- 긴 텍스트 비율: {long_texts/len(ds)*100:.1f}%")
        
        # 중복 체크
        duplicates = len(ds) - len(set([ex['image'] for ex in ds]))
        print(f"- 중복 이미지: {duplicates}")

validate_medgemma_dataset(dataset_dict)

최소 품질 기준:

text
✅ 이미지: 512x512 이상 PNG
✅ 텍스트: 50~2000자 사이
✅ 쌍(pair): 이미지-텍스트 1:1 매칭
✅ 비식별화: 100% 완료
✅ 분할: train 80%, val 10%, test 10%

  1. 요약

MedGemma 파인튜닝 데이터 준비는 1) DICOM→PNG 변환 + Windowing → 2) 보고서 정제 → 3) 이미지+텍스트 JSONL → 4) HuggingFace DatasetDict 4단계로 진행된다.toyourlight.tistory+1​

실제 병원 데이터를 쓸 때는 IRB 승인 → 비식별화 → 품질 검증 절차를 절대 생략하지 말고, MIMIC-CXR 같은 공개 데이터셋으로 먼저 테스트한 뒤 자사 데이터로 전환하는 것이 안전하다.

최종적으로 DatasetDict({"train": 800, "validation": 100, "test": 100}) 형태가 되면 LoRA 파인튜닝에 바로 투입할 수 있다.






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 »