번호	질환명	영문명	Code
0	광선각화증	Actinic Keratosis	AK
1	기저세포암	Basal Cell Carcinoma	BCC
2	멜라닌세포모반	Melanocytic Nevus	MN
3	보웬병	Bowen's Disease	BD
4	비립종	Milia	MI
5	사마귀	Wart	WA
6	악성흑색종	Malignant Melanoma	MM
7	지루각화증	Seborrheic Keratosis	SK
8	편평세포암	Squamous Cell Carcinoma	SCC
9	표피낭종	Epidermal Cyst	EC
10	피부섬유종	Dermatofibroma	DF
11	피지샘증식증	Sebaceous Hyperplasia	SH
12	혈관종	Hemangioma	HE
13	화농 육아종	Pyogenic Granuloma	PG
14	흑색점	Lentigo	LE

📊 평가 데이터셋

총 평가 이미지: 500개
평가 방식: 랜덤 샘플링
출력 형식: XML 구조화된 진단 결과
평가 일자: 2025년 8월 14일

🔬 모델 아키텍처

Base Model: Google Gemma3
Fine-tuning Method: LoRA (Low-Rank Adaptation)
Task Type: Multi-modal (Image + Text) Classification
Input: 피부 병변 이미지 + 진단 instruction
Output: 구조화된 XML 진단 결과

💻 사용 방법

vLLM + OpenAI 호환 API 사용 (현재 설정)

python

from openai import OpenAI
import base64

# 현재 사용 중인 설정 (localhost의 vLLM 서버)
client = OpenAI(
    api_key="empty",  # vLLM은 빈 키 사용
    base_url="http://localhost:8001/v1"  # vLLM 서버 주소
)

# 또는 RunPod 엔드포인트 사용 시
# client = OpenAI(
#     api_key="rpa_토큰",
#     base_url="https://api.runpod.ai/v2/엔드포인트/openai/v1"
# )

# 이미지 인코딩
def encode_image(path):
    with open(path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

# 피부 진단 instruction (한국어)
instruction = """너는 피부 병변을 진단하는 전문 AI이다. 다음은 네가 진단할 수 있는 피부 병변 목록이며, 각 병변의 임상적 특징은 아래와 같다. 환자에게 나타난 병변의 이미지와 설명을 바탕으로 가장 적합한 질병을 하나 선택하여 진단하라.

0: 광선각화증
1: 기저세포암
2: 멜라닌세포모반
3: 보웬병
4: 비립종
5: 사마귀
6: 악성흑색종
7: 지루각화증
8: 편평세포암
9: 표피낭종
10: 피부섬유종
11: 피지샘증식증
12: 혈관종
13: 화농 육아종
14: 흑색점

<root><label id_code="{코드}" score="{점수}">{진단명}</label><summary>{진단소견}</summary><similar_labels><similar_label id_code="{코드}" score="{점수}">{유사질병명}</similar_label></similar_labels></root>
"""

# 진단 수행
image_base64 = encode_image("path_to_skin_image.jpg")
response = client.chat.completions.create(
    model="model_name",  # vLLM에서 로드된 모델명
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": instruction},
                {
                    "type": "image_url", 
                    "image_url": {
                        "url": f"data:image/jpeg;base64,{image_base64}",
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

출력 형식 예시

xml

<root>
<label id_code="1" score="85.2">기저세포암</label>
<summary>이미지에서는 진주빛 반투명 결절 형태의 병변이 관찰됩니다. 이러한 병변은 일반적으로 천천히 성장하며 주변 조직으로 깊게 침습할 수 있는 특성을 가지고 있습니다...</summary>
<similar_labels>
<similar_label id_code="3" score="12.0">보웬병</similar_label>
<similar_label id_code="0" score="8.5">광선각화증</similar_label>
</similar_labels>
</root>

⚠️ 중요 안내사항

이 모델은 의료진을 대체할 수 없으며, 참고용으로만 사용해야 합니다
실제 진단 및 치료에는 반드시 전문 의료진의 상담이 필요합니다
모델의 결과는 확률적 추정치이며, 100% 정확하지 않을 수 있습니다
이 모델은 교육 및 연구 목적으로만 사용하시기 바랍니다

📈 클래스별 성능

자세한 클래스별 성능은 class_performance.csv 파일을 참조하세요.

클래스	Precision	Recall	F1-Score
광선각화증	0.333	0.088	0.140
기저세포암	0.708	0.531	0.607
멜라닌세포모반	0.667	0.727	0.696
보웬병	0.500	0.765	0.605
비립종	0.649	0.923	0.762
사마귀	0.714	0.968	0.822
악성흑색종	0.636	0.219	0.326
지루각화증	0.449	0.815	0.579
편평세포암	0.581	0.923	0.713
표피낭종	0.875	0.656	0.750
피부섬유종	0.885	0.697	0.780
피지샘증식증	0.870	0.606	0.714
혈관종	0.969	0.689	0.805
화농 육아종	0.618	0.944	0.747
흑색점	0.944	0.515	0.667

🛠️ 개발 환경

Python 3.11+
vLLM OpenAI 호환 서버
RunPod 클라우드 환경
CUDA 지원 GPU

📁 저장소 파일 구조

├── evaluation_results.json    # 상세 평가 결과
├── class_performance.csv      # 클래스별 성능 지표
├── confusion_matrix.png       # 혼동행렬 시각화
├── class_performance.png      # 성능 차트
└── README.md                  # 모델 문서 (이 파일)

📝 라이선스

이 모델은 연구 및 교육 목적으로만 사용하시기 바랍니다.

📞 문의사항

모델 사용 중 문제가 발생하면 이슈를 등록해 주세요.

개발: Gemma3 기반 피부질환 진단 모델
평가일: 2025-08-14
정확도: 67.00%

doriankim/gemma3-skin-tumor-diagnosis

Gemma3 피부종양 진단 모델

모델 성능

주의사항

📋 모델 개요

🎯 성능 지표

🏥 분류 가능한 피부 질환 (15개 클래스)

📊 평가 데이터셋

🔬 모델 아키텍처

💻 사용 방법

vLLM + OpenAI 호환 API 사용 (현재 설정)

출력 형식 예시

⚠️ 중요 안내사항

📈 클래스별 성능

🛠️ 개발 환경

📁 저장소 파일 구조

📝 라이선스

📞 문의사항

doriankim/
gemma3-skin-tumor-diagnosis