기계/조선

계측과 제어_Vol.62 2023.2 특집 요약 (4~8)

의료 지원에 있어서 AI 기술의 활용
의료 행위 지원 AI와 뉴럴 네트워크의 설명 가능성

1. 머리말

의료 화상(畵像) 처리의 요소 기술 성능이 뉴럴 네트워크에 의해 현저하게 향상되었다. 장기나 병변 부위을 구분하는 정밀도가 향상되고, 화상 간의 비강체 위치 정합은 고정밀 및 고속으로 실현할 수 있게 되어가고 있다.

의료시설에서 축적되는 데이터는 화상과 소견서가 함께인 경우가 많다. 트렌스포머를 기반으로 만들어진 BERT 등 자연언어 해석 방법의 성능 향상은 소견서의 자동 해석 정밀도도 향상시켰다. 의료 화상과 소견서를 조합해 처리하는 방법 등 멀티 모달 해석 방법도 다수 제안되고 있다.

의료용 화상 분석능 및 SN비(신호대잡음비) 개선과 화상 처리 기술 향상은 인체의 정밀 계측과 기술(記述)을 가능하게 했고, 디지털트윈도 의료 분야에 보급되기 시작했다. 디지털트윈에 있어서의 시뮬레이션을 위한 시스템동정에는 학숩 데이터를 기반으로 한 확률 밀도 분포 추정이 필요한 경우가 많다.

화상과 같은 고차원 데이터의 확률 밀도 분포 추정은 노멀라이징 플로우(Normalizing flow)와 디퓨전(Diffusion)에 기반한 방법으로 보다 가능해지고 있다. 확률 밀도 추정은 이상 검지 등에도 응용할 수 있다.

그렇지만 의료용 학습 데이터 수집이 일반 화상과 비교해 쉽지 않다는 점과 뉴럴 네트워크의 설명 가능성에 관한 문제는 여전히 해결이 쉽지 않다. 전자의 경우, 의사의 수작업을 거치지 않고, 예를 들어, 의료용 화상 처리를 위한 교사 데이터를 소견서 해석에만 의존해 확보하는 것에는 한계가 있다.

보다 적은 교사 데이터로 높은 성능을 얻기 위해서는 자기지도학습(Self-supervised learning)과 능동학습(Active learning)이 유용하다. 연합학습(Federated learning)도 같은 맥락에서 연구가 활성화되고 있다. 또한, 데이터 구동형인 뉴럴 네트워크에 의학적 지식을 귀납적 편향(Inductive bias)으로써 제공하는 것은 범화(汎化) 성능을 높이는 데 있어 유용하다.

다음 장에서는 후자의 설명 가능성에 관한 몇 가지 연구에 대해 소개한다.

2. AI의 설명 가능성

사회 시스템에 있어서 일부 의사결정에 AI를 이용할 때에는 이용하는 AI가 '판단 근거'를 명시할 수 있도록 해야 한다. 의료용 화상 처리를 위한 뉴럴 네트워크를 대상으로 그 설명 가능성을 개선하는 방법에 대해 소개한다.

2.1 식별 근거 영역의 가시화를 통한 설명

뉴럴 네트워크를 이용하는 화상 식별기에 있어 그 식별 근거가 되는 화상 영역을 가시화하는 방법은 널리 이용되고 있다.

XAI(Explainable Artificial Intelligence)에 대한 서베이 논문 중 하나에서는 뉴럴 네트워크의 설명 가능성을 개선하는 방법을 포스트혹(post-hoc, 사후 분석) 방법과 애드혹(Ad hoc, 일반화할 수 없는 해결책) 방법으로 분류했다.

전자는 우선 설명 가능성을 고려하지 않고 뉴럴 네크워크를 이용해 식별기를 구축하고 그 이후에 (포스트혹), 구축한 식별기를 가시화하기 위한 기술개발을 논하는 방법. 후자는 사전에 식별 근거가 되는 영역을 가시화하기 위한 방법을 뉴럴 네트워크의 아키텍처 등을 대상으로 논하는 방법이다.

대표적인 포스트혹 방법으로는 Local Interpretable Model-Agnostic Explanations(LIME), 대표적인 애드혹 방법으로는 Class Activation Map(CAM)가 있다.

2.2 식별 관수의 근사(近似)를 통한 설명

뉴럴 네트워크를 통해 실현되는 식별 관수 및 회귀관수 f(‧)를 해석 가능한 관수를 통해 포스트혹에 근사하도록 한다. 의료 행위 지원 AI에 있어 뉴럴 네트워크를 해석하는 것은 의사이다. 그래서 의사가 의학적인 관점에서 해석할 수 있는 관수를 통해 f(‧)를 근사하도록 한다.

예를 들어, 진료카드에 표시되는 의학적 전문용어(폐의 CT 화상의 경우, 음영, 복수 등)에 관련된 영상의 특징량에 기반한 결정 트리를 통해 식별 관수 f(‧)를 포스트혹에 근사하도록 한다. 근사할 때에는 영상과 소견서를 묶어 학습 데이터로써 이용한다.

2.3 반사실적 화상(Counterfactual Images)을 통한 설명

최근, 식별기를 설명하기 위해 반사실적 화상을 생성하는 연구가 활발하다. 제공된 화상에 대해 그 식별 결과가 변하는 것은 화상이 어떻게 변화할 때인지를 추정해 출력하는 것이다.

예를 들어, '암'이라고 식별된 화상에 대해 '암이 아니다'라고 식별되는 반사실적 화상은 해당 환자가 암이 아니였던 시기의 모의 화상이며, 오리지널 화상과 비교하면 병변부가 강조된다. 반사실적 화상 생성은 화상의 다양체에 따른 식별 경계를 넘는 방향으로 입력된 화상에 대한 섭동(Perturbation)이라고 이해할 수 있다.

예를 들어, 다발경화증을 대상으로 하는 두부(頭部) MR 화상 해석으로 뇌의 체적 및 발병 후의 연수를 변수로 하는 유향 비순환 그래프 모델을 구축해 각 변수가 변화했을 때의 가상 사실 화상을 생성하는 방법 등이 제안되고 있다.

3. 맺는 말

지금까지 뉴럴 네트워크의 설명 가능성 등에 관한 동향을 소개했다. 요소 기술의 성능은 뉴럴 네트워크를 통해 현격하게 향상되고 있는 한편, 데이터 수집에서 임상 응용에 이르는 전체 프로세스를 고려하면 해결해야 할 문제는 적지 않다. 

-- 끝 --