---
license: apache-2.0
base_model: Qwen/Qwen3.6-35B-A3B
pipeline_tag: image-text-to-text
library_name: transformers
tags:
  - vision-language-model
  - medical-imaging
  - brain-ct
  - stroke
  - region-classification
  - lora
language:
  - en
  - ko
---

<div align="center">

# JOOMED · Brain-CT Lesion Region Classifier

**Qwen3.6-35B-A3B**(MoE Vision-Language Model)을 LoRA로 파인튜닝한 뇌졸중 특화 영역 분류 모델

[![Base](https://img.shields.io/badge/base-Qwen3.6--35B--A3B-1f6feb)](https://huggingface.co/Qwen/Qwen3.6-35B-A3B)
[![License](https://img.shields.io/badge/license-Apache--2.0-16a34a)](./LICENSE)
[![Task](https://img.shields.io/badge/task-image--text--to--text-8957e5)](#)

</div>

---

CT summary 영상에서 병변이 위치한 **해부학적 영역(anatomical)** 과 **혈관 지배 영역(vascular)** 을
좌우(L/R) 구분과 함께 분류하여 **구조화 JSON** 으로 출력합니다.

```json
{"anatomical_regions": ["basal_ganglia_thalamus_right"],
 "vascular_territories": ["MCA_right", "PCA_right"]}
```

## 모델 개요

| | |
|---|---|
| **Base model** | `Qwen/Qwen3.6-35B-A3B` — MoE VLM, 35B total / ~3B active (`qwen3_5_moe`) |
| **Adaptation** | LoRA (r=8, α=16, attention `q/k/v/o_proj`) → 베이스에 **병합된 풀모델** |
| **Input → Output** | PNG (CT summary) → 영역분류 JSON |
| **Label space** | anatomical 23그룹 · vascular 14그룹 (coarse, 좌우 유지) |
| **Project** | RQT-25-090047 — 다중 모달 AI 뇌졸중 임상지원 LLM (㈜제이엘케이) |

## 성능

영역 추출 정확도 (set 기반 per-sample F1, macro 평균):

| 평가셋 | n | Anatomical F1 | Vascular F1 | 평균 |
|---|---:|---:|---:|---:|
|  전체 test | 12,140 | **0.741** | **0.802** | **0.771** |

무파인튜닝 Base(0.29 / 0.30) 대비 **2.5배 이상** 향상. 개선의 핵심은 recall 상승
(anatomical +0.17, vascular +0.13)으로, 누락 병변이 크게 감소했습니다.

<details>
<summary>보조 텍스트 지표 (영역 라벨을 텍스트로 직렬화해 측정 · 판독문 품질 아님)</summary>

| BLEU-1 | METEOR | BERTScore F1 | G-Eval |
|---:|---:|---:|---:|
| 0.798 | 0.794 | 0.952 | 3.68 |

> 출력이 짧은 라벨 문장이라 자유텍스트 판독문 지표와 측정 대상이 다릅니다. 비교 시 주의.
</details>

## 사용법

```python
from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model_id = "JLKGroup/JOOMED"
model = AutoModelForImageTextToText.from_pretrained(model_id, torch_dtype="bfloat16", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

img = Image.open("ct_summary.png").convert("RGB")
prompt = "주어진 CT summary 이미지에서 병변이 속하는 anatomical region과 vascular territory를 JSON으로 답하라."
messages = [{"role": "user", "content": [{"type": "image", "image": img}, {"type": "text", "text": prompt}]}]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False  # 학습 템플릿과 일치
)
inputs = processor(text=[text], images=[img], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(processor.tokenizer.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))
```

> **Tip** — 추론 시 반드시 `enable_thinking=False` 로 두어야 학습 시 템플릿과 일치합니다.

## 라벨 체계

| 축 | 그룹 |
|---|---|
| Anatomical (×L/R) | frontal · parietal · temporal · occipital · insula · limbic · basal_ganglia_thalamus · cerebellum · brainstem · ventricle · white_matter_other |
| Vascular (×L/R) | ACA · MCA · PCA · basilar · cerebellar · anterior_choroidal · lateral_ventricle |

## 한계 및 주의

- **의료 연구용 모델**입니다. 임상 의사결정의 단독 근거로 사용하지 마십시오.

## 라이선스

베이스 모델 `Qwen3.6-35B-A3B`의 Apache-2.0를 따릅니다.