Coherent Hierarchical Multi-Label Learning to Defer for Medical Imaging

요약

본 논문은 의료 영상 분야에서 계층적 다중 라벨 학습(Multi-Label Learning)을 위한 새로운 '지연 학습(Learning to Defer, L2D)' 프레임워크를 제안합니다. 기존 연구가 평평한 라벨 공간을 가정했던 것과 달리, 본 연구는 임상 분류학에 기반한 계층적 구조를 도입하여 위임 결정의 복잡성을 다룹니다. 특히, 이 계층적 구조에서 발생하는 '위임 불일치(delegation violations)' 문제를 해결하기 위해, 일관된 계층적 위임을 공식화하고 두 가지 개선된 모델인 Exact Coherent Projection과 Taxonomic Belief Propagation (TBP) with Recursive Policy Optimisation (RPO)을 제시합니다. 실험 결과, 제안된 방법들이 기존 방식보다 불일치를 효과적으로 제거하면서도 높은 성능을 유지함을 입증했습니다.

핵심 포인트

• 의료 영상 분야에 특화된 계층적 다중 라벨 학습(Hierarchical Multi-Label Learning) 기반의 L2D 프레임워크를 도입함.
• 단순한 독립 라벨 결정으로는 발생할 수 있는 '위임 불일치(delegation violations)' 문제를 해결하는 데 초점을 맞춤.
• 제안된 두 가지 방법론(Exact Coherent Projection 및 TBP with RPO)은 계층적 구조를 유지하며 일관성 있는 위임 결정을 가능하게 함.
• 실험적으로, 제안된 모델들이 기존의 단순 이진 관련성 L2D보다 불일치를 정확히 제거하고 강력한 유틸리티를 유지함을 입증함.