심초음파 영상의 스택 앙상블 (Stacked Ensembles)을 이용한 강건하고 설명 가능한 이첨판 대동맥판막 (BAV) 진단
요약
본 연구는 경흉부 심초음파(TTE) 영상을 활용하여 이첨판 대동맥판막(BAV)을 삼첨판 대동맥판막(TAV)과 구별하는 설명 가능한 AI 모델을 제안합니다. 멀티 백본 비디오 앙상블과 보정된 스택 앙상블 기법을 통해 높은 F1-score(0.907)를 달성하였으며, Grad-CAM과 SHAP을 사용하여 진단 근거를 시각화하고 정량화했습니다. 이를 통해 비전문의나 자원이 제한된 환경에서도 신뢰할 수 있는 BAV 조기 진단 지원이 가능함을 입증했습니다.
핵심 포인트
- 멀티 백본 비디오 앙상블 및 스택 앙상블을 통한 높은 BAV 진단 성능(F1-score 0.907) 달성
- Grad-CAM을 활용하여 대동맥 근부 및 판막 평면에서의 진단 근거 국소화
- SHAP 값을 통해 각 비디오 백본의 기여도를 정량화하여 모델의 투명성 및 감사 가능성 확보
- 누수 인지 계층화 외부 교차 검증 프로토콜을 적용하여 모델의 강건성 검증
경흉부 심초음파 (Transthoracic echocardiography, TTE)는 이첨판 대동맥판막 (Bicuspid Aortic Valve, BAV)을 진단하기 위한 1차 영상 진단법이지만, 진단 성능은 검사자의 숙련도와 영상 품질에 따라 차이가 있습니다. 본 연구에서는 일상적으로 획득되는 흉골연 장축 (Parasternal Long-Axis, PLAX) 시네 루프 (Cine loops)를 사용하여 BAV를 삼첨판 대동맥판막 (Tricuspid Aortic Valves, TAV)과 구별하는 설명 가능한 AI 모델을 개발했습니다. $N{=}90$명의 환자 사례 (48 BAV, 42 TAV)를 대상으로 누수 인지 계층화 외부 교차 검증 (Leakage-aware, stratified outer cross-validation) 프로토콜을 사용하여 멀티 백본 비디오 앙상블 (Multi-backbone video ensemble)을 학습 및 평가했습니다. 고정된 외부 분할과 10개의 무작위 시드 (Random seeds) 전반에 걸쳐, 보정된 스택 앙상블 (Stacked ensemble)은 외부 교차 검증 (Outer-CV) F1-score $0.907$과 재현율 (Recall) $0.877$을 달성했습니다. 프레임 수준의 Grad-CAM은 대동맥 근부 (Aortic root)와 판막 평면 (Leaflet plane)에서 두드러진 증거를 국소화하였으며, 전역적으로 집계된 SHAP 값은 스택 예측에 대한 각 비디오 백본의 기여도를 정량화하여 투명한 사례 수준의 감사 가능성 (Auditability)을 제공했습니다. 이러한 결과는 PLAX 기반 비디오 앙상블이 일상적인 심초음파 시네 루프로부터 신뢰할 수 있는 BAV/TAV 분류를 지원할 수 있으며, 비전문의 또는 자원이 제한된 임상 환경에서 조기 발견을 용이하게 할 수 있음을 나타냅니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기