[논문 리뷰] Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis

Adriano Lucieri, Andreas Dengel외 1명|arXiv (Cornell University)|2021. 03. 02.

Cutaneous Melanoma Detection and Management인용 수 4

한 줄 요약

이 논문은 피부암 진단을 위한 설명 가능한 딥러닝(XAI) 기법을 검토하며, 특히 도름스코픽 및 조직병리학적 영상 분석에 초점을 맞춘다. 향후 의사결정지원시스템(DSS)은 현재의 시각적 관련성 맵과 도름스코픽 특징 국소화에 의존하는 것 이상으로, 국소적 및 전역적 해석을 융합하고 간섭 기능을 통합한 다중모odal 해석을 통합해야 임상적 신뢰도와 사용성 향상을 이룰 수 있다고 제안한다.

ABSTRACT

Early detection of skin cancers like melanoma is crucial to ensure high chances of survival for patients. Clinical application of Deep Learning (DL)-based Decision Support Systems (DSS) for skin cancer screening has the potential to improve the quality of patient care. The majority of work in the medical AI community focuses on a diagnosis setting that is mainly relevant for autonomous operation. Practical decision support should, however, go beyond plain diagnosis and provide explanations. This paper provides an overview of works towards explainable, DL-based decision support in medical applications with the example of skin cancer diagnosis from clinical, dermoscopic and histopathologic images. Analysis reveals that comparably little attention is payed to the explanation of histopathologic skin images and that current work is dominated by visual relevance maps as well as dermoscopic feature identification. We conclude that future work should focus on meeting the stakeholder's cognitive concepts, providing exhaustive explanations that combine global and local approaches and leverage diverse modalities. Moreover, the possibility to intervene and guide models in case of misbehaviour is identified as a major step towards successful deployment of AI as DL-based DSS and beyond.

연구 동기 및 목표

• 피부암 진단을 위한 의료 의사결정지원시스템(DSS)에서 설명 가능한 딥러닝(XAI)의 현재 상태를 평가하는 것.
• 특히 조직병리학적 영상에 대해 설명 기법이 다소 미흡한 점을 감안할 때, 도름스코픽 및 임상 영상에 비해 다소 간과된 조직병리학적 영상 분석의 설명 기법 격차를 규명하는 것.
• 다양한 영상 모odalities를 아우르는 국소적 및 전역적 해석을 통합한 임상적으로 실용적인 DSS를 위한 프레임워크를 제안하는 것.
• 모델 행동을 수정하고 전문 지식을 통합하기 위해 간섭 메커니즘(예: 간섭 기반 활성학습)의 중요성을 강조하는 것.
• 의사의 인지 모델과 부합하는 설명 기법이 AI 보조 피부과 진료에서 신뢰성, 투명성 및 재현 가능성을 높이는 데 기여할 수 있음을 주장하는 것.

제안 방법

• 기존의 XAI 기법을 피부 병변 분류 분야에 대해 네 가지 상호배타적이지 않은 범주로 분류: 시각적 관련성 국소화, 도름스코픽 특징 예측/국소화, 유사도 검색, 간섭.
• 피부과 분야에서 XAI에 관한 88篇의 관련 논문을 검토 및 분석하며, 시각적 자극 맵, 특징 식별, 검색 기반 해석의 사용에 중점을 둔다.
• 국소적 해석을 보완하기 위해 전역적 해석 기법(예: 개념 기반 방법 및 입력 공간의 데이터 중심 근사)의 통합을 제안한다.
• 의사가 실시간으로 모델의 오해를 수정하는 역할을 수행하는 간섭 기반 활성학습의 개념을 도입하며, 이는 모델의 강건성 향상과 임상적 추론과의 일치를 향상시킨다.
• 공간적 국소화를 초월한 대체 관련성 표현을 생성하기 위해 다양한 데이터 변환(예: 주파수 도메인, 색상 공간)의 사용을 권장한다.
• 수동 애너테이션 없이도 깊이 신경망이 학습한 숨겨진 의미 있는 표현을 발견할 수 있는 잠재적 길로 비지도 개념 발견을 강조한다.

실험 결과

연구 질문

• RQ1 왜 딥러닝 기반 의사결정지원시스템(DSS)에서 설명 가능성은 피부과 분야의 임상적 적용에 있어 필수적인가?
• RQ2 현재 딥러닝 기반 피부 병변 분류에서 주로 사용되는 설명 기법은 무엇이며, 영상 모달리티에 따라 어떻게 다를까?
• RQ3 왜 조직병리학적 영상 설명은 피부암 진단의 황금 표준인 전체 슬라이드 영상(WSI)의 임상적 중요성에도 불구하고 비교적 덜 다뤄졌는가?
• RQ4 국소적 및 전역적 해석 기법을 어떻게 융합하여 모델의 투명성과 사용자 신뢰를 향상시킬 수 있는가?
• RQ5 특히 간섭 기반 활성학습을 포함한 간섭 기능은 모델 행동을 수정하고 전문 지식을 AI 시스템에 통합하는 데 어떤 역할을 할 수 있는가?

주요 결과

• 현재 피부암 진단을 위한 설명 가능한 AI 연구는 주로 시각적 관련성 맵과 도름스코픽 특징 국소화에 집중되어 있으며, 조직병리학적 영상 설명에 대한 관심은 제한적이다.
• 조직병리학적 영상 설명은 여전히 미발전 상태에 있으며, 피부병변 진단의 황금 표준인 전체 슬라이드 영상(WSI)의 임상적 중요성과는 대비된다.
• 대부분의 기존 XAI 기법은 국소적 해석에 집중되어 있으나, 개념 기반 또는 입력 공간의 데이터 중심 근사와 같은 전역적 해석 기법은 여전히 드물고 탐색이 부족한 상태이다.
• 모델 오류 수정과 전문가 피드백을 가능하게 하여 모델 신뢰성과 임상적 일치도를 향상시키기 위해 간섭 메커니즘(예: 간섭 기반 활성학습)이 필수적임이 확인되었다.
• 임상, 도름스코픽, 조직병리학적 영상 등 다양한 모달리티 간의 설명 기법 통합은 다중모달 일치를 통해 설명의 완전성과 검증을 향상시킬 수 있다.
• 비지도 개념 발견 기법은 명시적 애너테이션 없이도 깊이 신경망이 학습한 의미 있는 인간이 이해할 수 있는 표현을 발견할 잠재력을 보이고 있다.