المفاهيم الأساسية
임상 지식을 활용하여 폐 기흉 진단을 위한 AI 모델 설명력을 일관적으로 향상시킬 수 있다.
الملخص
이 연구에서는 폐 기흉 진단을 위한 AI 모델의 설명력을 향상시키기 위해 임상 지식 기반 템플릿 접근법을 제안했다. 폐 기흉은 폐와 흉벽 사이의 비정상적인 공기 축적으로 인해 발생하는 급성 흉부 질환이다. 최근 인공지능, 특히 딥러닝이 폐 기흉 진단 자동화에 활용되고 있지만, 이러한 모델의 복잡성으로 인해 의사결정 과정이 불투명한 문제가 있다. 이를 해결하기 위해 설명 가능한 인공지능(XAI) 기법이 도입되었지만, 모델 설명이 실제 병변 영역과 잘 부합하지 않는 문제가 있었다.
이 연구에서는 폐 기흉 발생 가능 영역을 나타내는 템플릿을 생성하고, 이를 기존 XAI 기법에 적용하여 모델 설명력을 향상시켰다. 방사선과 의사가 작성한 단일 병변 윤곽선을 활용하여 템플릿을 생성하고, 이를 모델 설명에 중첩시켜 템플릿 경계 밖의 불필요한 설명을 제거했다. 이를 통해 SIIM-ACR과 ChestX-Det 데이터셋에서 3가지 XAI 기법(Saliency Map, Grad-CAM, Integrated Gradients)과 2가지 딥러닝 모델(VGG-19, ResNet-50)을 대상으로 12가지 벤치마크 시나리오에서 일관적으로 성능 향상을 달성했다. 제안 방법은 방사선과 의사의 단일 병변 윤곽선만 필요하므로 광범위한 주석 작업 없이도 적용할 수 있다. 이를 통해 임상 전문성을 AI 모델 설명에 통합하는 새로운 접근법을 제시했다.
الإحصائيات
폐 기흉 진단을 위한 VGG-19 모델의 AUROC는 0.864(0.008), AUPRC는 0.660(0.023)이다.
폐 기흉 진단을 위한 ResNet-50 모델의 AUROC는 0.842(0.007), AUPRC는 0.630(0.023)이다.
제안 방법은 기존 XAI 기법 대비 IoU와 DSC 성능을 각각 평균 97.8%와 94.1% 향상시켰다.
اقتباسات
"폐 기흉은 폐와 흉벽 사이의 비정상적인 공기 축적으로 인해 발생하는 급성 흉부 질환이다."
"최근 인공지능, 특히 딥러닝이 폐 기흉 진단 자동화에 활용되고 있지만, 이러한 모델의 복잡성으로 인해 의사결정 과정이 불투명한 문제가 있다."
"제안 방법은 방사선과 의사의 단일 병변 윤곽선만 필요하므로 광범위한 주석 작업 없이도 적용할 수 있다."