이 연구는 의료 영상 모델의 데이터 편향에 따른 취약성을 분석하고자 한다. 의료 영상 데이터는 종종 작고 편향되어 있어, 실제 임상 환경에서의 모델 성능이 내부 테스트 결과보다 크게 낮을 수 있다.
이를 해결하기 위해 저자들은 생성 모델을 활용한 이미지 편집 기법을 제안한다. 이를 통해 데이터 편향을 시뮬레이션하고 모델의 취약점을 진단할 수 있다. 기존 편집 방법은 질병과 치료 개입의 공동 발생으로 인한 잘못된 상관관계를 학습하여 실용성이 제한적이었다.
저자들은 다중 이미지 마스크를 사용하여 변경 사항의 일관성을 유지하고 편향을 최소화하는 새로운 편집 방법인 RadEdit을 제안한다. 데이터 편향의 3가지 유형(획득 편향, 발현 편향, 인구 통계학적 편향)을 고려하여 실험을 수행하였다.
COVID-19 검출기와 폐 분할 모델을 대상으로 실험한 결과, 합성 데이터셋을 통해 모델의 취약점을 효과적으로 진단할 수 있었다. 이는 Grad-CAM과 같은 설명 가능한 AI 도구를 보완하는 방법이 될 수 있다.
To Another Language
from source content
arxiv.org
สอบถามเพิ่มเติม