증거 기반 추론을 통한 해석 가능한 실세계 질병 스크리닝의 발전

질병 스크리닝 (Disease screening)은 임상 현장에서 조기 발견 및 적시 개입을 위해 매우 중요합니다. 그러나 현재 의료 영상에 대한 대부분의 스크리닝 모델은 제한된 해석 가능성 (interpretability)과 최적화되지 않은 성능으로 인해 어려움을 겪고 있습니다. 이러한 모델들은 과거 사례를 참조하거나 투명한 추론 경로를 제공하는 효과적인 메커니즘이 부족한 경우가 많습니다. 이러한 과제를 해결하기 위해, 우리는 과거 사례로부터 영역 수준의 증거 (region-level evidence)를 활용하는 질병 스크리닝을 위한 증거 기반 추론 프레임워크인 EviScreen을 소개합니다. 제안된 EviScreen은 이중 지식 뱅크 (dual knowledge banks)로부터 검색된 영역 증거를 통해 회고적 해석 가능성 (retrospection interpretability)을 제공합니다. 이러한 증거 메커니즘을 사용하여, 후속되는 증거 인식 추론 (evidence-aware reasoning) 모듈은 현재 사례와 과거 사례의 증거를 모두 사용하여 예측을 수행하며, 이를 통해 질병 스크리닝 성능을 향상시킵니다. 또한, EviScreen은 사후적 (post-hoc) 살리언시 맵 (saliency maps)에 의존하는 대신, 대조 검색 (contrastive retrieval)에서 유도된 이상 맵 (abnormality maps)을 활용하여 국소화 해석 가능성 (localization interpretability)을 강화합니다. 우리의 방법은 실세계 질병 스크리닝을 위해 신중하게 구축된 벤치마크에서 우수한 성능을 달성하였으며, 임상 수준의 재현율 (recall)에서 눈에 띄게 높은 특이도 (specificity)를 나타냈습니다. 코드는 https://github.com/DopamineLcy/EviScreen 에서 공개적으로 사용할 수 있습니다.