Core Concepts
임상 개념을 분류 파이프라인에 도입하여 사용자에게 의사결정 과정에 대한 통찰력을 제공하는 새로운 ante-hoc 접근법을 제안합니다.
Abstract
이 연구에서는 폐암 검출을 위한 투명하고 임상적으로 해석 가능한 AI 분류 접근법을 소개합니다.
먼저 방사선과 보고서와 연계된 흉부 X선 이미지 데이터셋을 사용하여 개념 예측 모델을 학습합니다. 이 모델은 사전에 정의된 임상 개념들의 존재 여부를 예측합니다.
다음으로 라벨 예측 모델은 이전 모델의 개념 예측 점수를 사용하여 이미지 라벨(암 또는 정상)을 예측합니다. 이 접근법은 분류 파이프라인에 임상 개념을 도입하여 사용자에게 의사결정 과정에 대한 통찰력을 제공합니다.
실험 결과, 제안된 모델은 기존 딥러닝 모델보다 우수한 폐암 검출 성능을 보였으며(F1 > 0.9), 기존 사후 설명 기법인 LIME, SHAP, CXR-LLaVA보다 더 신뢰할 수 있고 임상적으로 관련성 있는 설명을 생성했습니다.
Stats
제안된 6개 클러스터 모델의 개념 예측 정확도는 상위 1개 개념 기준 97.1%입니다.
제안된 6개 클러스터 모델의 라벨 예측 성능은 정밀도 0.9495, 재현율 0.9339, F1 0.9416으로 기존 모델을 크게 능가합니다.
Quotes
"임상 개념을 분류 파이프라인에 도입하여 사용자에게 의사결정 과정에 대한 통찰력을 제공하는 새로운 ante-hoc 접근법을 제안합니다."
"제안된 모델은 기존 딥러닝 모델보다 우수한 폐암 검출 성능을 보였으며, 기존 사후 설명 기법보다 더 신뢰할 수 있고 임상적으로 관련성 있는 설명을 생성했습니다."