Core Concepts
의료 분야에서 신뢰할 수 있는 의사결정을 위해서는 딥러닝 모델의 투명성과 해석 가능성이 필수적이다. 본 연구는 의료 자연어 처리에서 설명 가능하고 해석 가능한 딥러닝 기법에 대한 포괄적인 검토를 제공한다.
Abstract
본 연구는 의료 자연어 처리 분야에서 설명 가능하고 해석 가능한 딥러닝 기법에 대한 포괄적인 검토를 제공한다.
설명 가능한 인공지능(XAI)과 해석 가능한 인공지능(IAI)을 구분하는 "XIAI" 용어를 소개했다. 이들 기법은 기능(모델 기반, 입력 기반, 출력 기반)과 범위(지역, 전역)에 따라 분류되었다.
주목할 만한 결과는 주의 메커니즘이 가장 두드러진 새로운 IAI 기법이라는 것이다. 또한 IAI가 XAI에 비해 점점 더 많이 사용되고 있다.
주요 과제로는 대부분의 XIAI가 "전역" 모델링 프로세스를 탐구하지 않는다는 점, 모범 사례의 부족, 체계적인 평가와 벤치마크의 필요성 등이 확인되었다.
주의 메커니즘을 활용한 다중 모달 XIAI를 통한 개인 맞춤형 의료, 그리고 딥러닝과 인과 추론의 결합 등 중요한 기회가 제시되었다.
본 검토는 대형 언어 모델(LLM)과 도메인 특화 소규모 모델에 XIAI를 통합하는 것을 권장한다.
Stats
딥러닝 모델의 복잡성 증가로 인해 의료 분야에서 신뢰할 수 있는 의사결정을 위해서는 모델의 투명성과 해석 가능성이 필수적이다.
주의 메커니즘은 가장 두드러진 새로운 IAI 기법이며, IAI가 XAI에 비해 점점 더 많이 사용되고 있다.
대부분의 XIAI는 "전역" 모델링 프로세스를 탐구하지 않으며, 모범 사례의 부족과 체계적인 평가 및 벤치마크의 필요성이 확인되었다.
Quotes
"의료 분야에서 신뢰할 수 있는 의사결정을 위해서는 딥러닝 모델의 투명성과 해석 가능성이 필수적이다."
"주의 메커니즘은 가장 두드러진 새로운 IAI 기법이며, IAI가 XAI에 비해 점점 더 많이 사용되고 있다."
"대부분의 XIAI는 '전역' 모델링 프로세스를 탐구하지 않으며, 모범 사례의 부족과 체계적인 평가 및 벤치마크의 필요성이 확인되었다."