แนวคิดหลัก
불확실성 정량화를 통해 AI 모델의 한계를 사용자에게 알려주고, 사용자의 피드백을 통해 모델을 지속적으로 개선하는 인간-AI 협업 프레임워크를 제안한다.
บทคัดย่อ
이 연구는 병리 조직 영상 분할 작업에서 불확실성 기반 주석 작성 기법(Uncertainty-Guided Annotation, UGA)을 제안한다. UGA는 AI 모델의 불확실성을 정량화하여 사용자에게 알려주고, 사용자가 불확실성이 높은 영역을 수정하면 이를 통해 모델을 지속적으로 개선하는 인간-AI 협업 프레임워크이다.
구체적으로 다음과 같은 과정을 거친다:
기존 데이터로 AI 모델을 학습시킨다.
학습된 모델을 새로운 데이터에 적용하고, 불확실성을 정량화한다.
불확실성이 높은 영역을 사용자에게 제시하고, 사용자가 이를 수정한다.
수정된 데이터를 활용하여 모델을 재학습하고, 성능을 향상시킨다.
실험 결과, UGA 기반 모델은 기존 모델 대비 Dice 계수가 0.66에서 0.84로 향상되었다. 특히 희귀한 병변 유형(ITC)에서 성능 향상이 두드러졌다. 이는 UGA가 AI 모델의 약점을 사용자에게 효과적으로 전달하고, 사용자 피드백을 통해 모델을 개선할 수 있음을 보여준다.
향후 연구에서는 UGA를 더욱 복잡한 병리 과제에 적용하고, 연방 학습 환경에서의 활용 가능성을 탐구할 계획이다. 이를 통해 AI 모델의 투명성과 신뢰성을 높이고, 의료 현장에서의 실용성을 제고할 수 있을 것으로 기대된다.
สถิติ
기존 모델의 Dice 계수는 0.66이었으나, UGA 기반 모델은 5개 패치 추가로 0.76, 10개 패치 추가로 0.84까지 향상되었다.
UGA 기반 모델은 희귀한 병변 유형(ITC)에서 특히 성능 향상이 두드러졌다.
คำพูด
"불확실성 정량화를 통해 AI 모델의 한계를 사용자에게 알려주고, 사용자의 피드백을 통해 모델을 지속적으로 개선하는 인간-AI 협업 프레임워크를 제안한다."
"UGA가 AI 모델의 약점을 사용자에게 효과적으로 전달하고, 사용자 피드백을 통해 모델을 개선할 수 있음을 보여준다."