OCT 해부학 정합 후속 설명을 위한 구조 인의해 학습 (SAIL)

광간섭 단층촬영 (Optical coherence tomography, OCT) 은 망막 영상 분석에서 널리 사용되는 모달리티로, 망막 질환 진단에 있어 고해상도의 망막 층 시각화를 제공함으로써 핵심적인 역할을 수행합니다. 딥러닝 (DL) 이 OCT 기반 망막 질환 검출 분야에서 전문가 수준의 정확도를 달성한 반면, 그 '블랙박스' 특성은 임상 적용을 위한 설명 가능성의 중요성으로 인해 신뢰와 규제 승인에 도전과제를 제기합니다. 기존의 후속 설명 가능한 인공지능 (XAI) 방법들은 미세한 병변 구조를 구분하거나 해부학적 경계를 존중하거나 노이즈를 억제하는 데 어려움을 겪어 설명의 신뢰성을 제한합니다. 이러한 격차를 해소하기 위해, 우리는 망막 해부학 사전지식을 표현 수준에 통합하고 의미적 특징과 결합 설계 (fusion design) 를 통해 결합한 구조 인의해 학습 (Structure-Aware Interpretable Learning, SAIL) 프레임워크를 제안합니다. 표준 후속 설명 가능성 방법을 수정하지 않고도 이 표현은 더 날카롭고 해부학 정합인 귀속지도 (attribution maps) 를 생성합니다. 다양한 OCT 데이터셋에 대한 종합 실험은 우리 구조 인의해 방법이 해석 가능성을 일관되게 향상시키고 임상적으로 의미 있고 해부학에 민감한 설명을 생성함을 보여줍니다. 회귀 분석 (ablation studies) 은 강력한 해석 가능성이 구조적 사전지식과 의미적 특징이 모두 필요함을, 그리고 두 가지의 적절한 결합이 최고의 설명 품질을 달성하는 데 필수적임을 보여줍니다. 이러한 결과들은 OCT 의 신뢰할 수 있는 설명 가능성으로 가는 중요한 단계로 구조 인의해 표현을 강조합니다.