의료 영상 분할에서 적대적 모델을 이용한 불확실성 정량화

신뢰할 수 있는 픽셀 수준의 불확실성 정량화 (Uncertainty Quantification)는 고충실도 종단적 모니터링 (Longitudinal Monitoring)을 가능하게 하고, 인공물 (Artifacts)로부터 실제 병리적 변화를 구별함으로써 임상 워크플로우를 변화시킬 잠재력을 가지고 있습니다. 이상적으로, 이러한 모델들은 중요한 치료 계획 및 수술적 개입에 필요한 안정성을 제공해야 합니다. 그러나 표준 딥러닝 (Deep Learning) 모델들은 종종 미교정 (Miscalibration) 문제로 인해, 미세한 병리적 경계에서의 근본적인 취약성을 가리는 과도하게 확신에 찬 예측을 내놓는 경우가 많습니다. 이를 해결하기 위해, 우리는 표적 적대적 탐색 (Targeted Adversarial Search)을 사용하여 "적대적으로 취약한 (Adversarially Fragile)" 픽셀을 식별하는 사후 프레임워크 (Post-hoc Framework)인 QUAM-SM을 제안합니다. 예측 불안정성을 드러내는 섭동 (Perturbations)을 능동적으로 탐색함으로써, 우리의 방법은 결정이 뒤집히기 가장 쉬운 취약한 영역을 강조합니다. 중요한 점은, 이 프레임워크가 인식론적 불확실성 (Epistemic Uncertainty)과 우연적 불확실성 (Aleatoric Uncertainty)을 분리한다는 것입니다. 다수의 전문가 주석 (Expert Annotations)이 포함된 두 개의 공개 데이터셋에 대한 실험을 통해, QUAM-SM이 신뢰성 및 경계 민감도 측면에서 표준 및 최신 불확실성 추정 (Uncertainty Estimation) 방식들보다 우수함을 입증했습니다. 코드는 https://github.com/HanaJebril/quam_sm 에서 확인할 수 있습니다.