OCT 해부학 정합 후속 설명을 위한 구조 인의해 학습 (SAIL)

요약

본 논문은 망막 질환 진단에 사용되는 광간섭 단층촬영(OCT) 데이터 분석에서, 기존 AI 모델의 '블랙박스' 문제를 해결하기 위한 새로운 설명 가능한 인공지능(XAI) 프레임워크인 구조 인의해 학습(SAIL)을 제안합니다. SAIL은 망막 해부학 사전 지식을 표현 수준에 통합하고 의미적 특징과 결합하여, 임상적으로 신뢰할 수 있고 해부학적으로 정합된 귀속지도를 생성하는 것을 목표로 합니다. 실험 결과는 이 구조 인의해 방법이 해석 가능성을 일관되게 향상시키고, OCT 분석에서 필수적인 높은 수준의 설명 품질을 제공함을 입증합니다.

핵심 포인트

• OCT 기반 망막 질환 진단 AI의 '블랙박스' 문제를 해결하기 위한 새로운 접근 방식 제시.
• SAIL(Structure-Aware Interpretable Learning) 프레임워크는 해부학 사전 지식을 표현 수준에 통합하여 설명 가능성을 높인다.
• 제안된 방법은 기존 XAI 기법보다 더 날카롭고 임상적으로 의미 있는, 해부학 정합성이 높은 귀속지도를 생성한다.
• 구조적 사전 지식과 의미적 특징의 결합이 최고의 해석 가능성 및 설명 품질을 달성하는 데 필수적임을 입증했다.