[논문 리뷰] Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning

Ruitong Sun, Mohammad Rostami|arXiv (Cornell University)|2023. 03. 26.

AI in cancer detection인용 수 5

한 줄 요약

이 논문은 자기지도 학습 및 설명 가능한 딥러닝 아키텍처를 제안하여 임상적으로 유의미한 피부 병변 특징(예: 색소 네트워크, 줄무늬)을 지도별 세그멘테이션 헤드와 대비 학습을 사용해 국소화한다. 제한된 인간 레이블링 임상 지표를 기반으로 학습하면서 자기지도 사전학습을 활용함으로써, 기존 방법보다 더 정확하고 임상적으로 타당한 주의 맵을 생성한다. 이는 국소화 정밀도와 의사결정의 해석 가능성에 크게 기여한다.

ABSTRACT

Melanoma is a prevalent lethal type of cancer that is treatable if diagnosed at early stages of development. Skin lesions are a typical indicator for diagnosing melanoma but they often led to delayed diagnosis due to high similarities of cancerous and benign lesions at early stages of melanoma. Deep learning (DL) can be used as a solution to classify skin lesion pictures with a high accuracy, but clinical adoption of deep learning faces a significant challenge. The reason is that the decision processes of deep learning models are often uninterpretable which makes them black boxes that are challenging to trust. We develop an explainable deep learning architecture for melanoma diagnosis which generates clinically interpretable visual explanations for its decisions. Our experiments demonstrate that our proposed architectures matches clinical explanations significantly better than existing architectures.

연구 동기 및 목표

• 딥러닝을 통한 멜라노마 진단의 임상적 신뢰 격차를 해소하기 위해 의사결정 과정이 해석 가능하고 피부과적 추론과 일치하는 모델을 개발하는 것.
• 세밀한 임상 레이블링이 부족한 피부 병변 데이터의 한계를 극복하기 위해 자기지도 학습과 대비 사전학습을 활용하는 것.
• 일반적인 활성화 맵에 의존하는 대신 특정 진단 생물지표(예: 색소 네트워크, 줄무늬)의 국소화를 통해 설명 가능성 향상을 도모하는 것.
• 학습 중 중간 수준의 임상 레이블링을 통합함으로써 모델의 결정이 인간 전문의의 진단 패턴을 반영하도록 하는 것.
• 기존 설명 가능성 방법보다 모델의 설명이 피부과 전문의가 식별한 관심 영역과 더 잘 일치하는지 검증하는 것.

제안 방법

• 아키텍처는 피부 병변 영상에서 다섯 가지 별도의 임상 지표—글로불, 밀리아-유사 낭종, 음성 네트워크, 색소 네트워크, 줄무늬—를 국소화하기 위해 다섯 개의 별도 세그멘테이션 헤드(f_Seg)를 사용한다.
• 대비 학습(CL) 헤드(f_CLR)는 자기지도 인스턴스 식별을 통해 인코더를 사전학습시키며, 레이블 없이도 일반화 가능한 특징을 학습한다.
• 작업 간 간섭을 방지하고 국소화 정확도를 향상시키기 위해 각 임상 지표별로 전용 인코더 다섯 개를 사용하는 다중 헤드 학습 전략을 채택한다.
• 약한 레이블링 데이터로부터 강력한 특징 표현을 학습하기 위해 SimCLR 방식의 대비 손실을 사용하는 자기지도 사전학습을 적용한다.
• 최종 멜라노마 진단은 공유 분류 헤드를 사용하여 예측하고, 중간 특징 맵은 공간적으로 정밀한 임상적으로 해석 가능한 설명을 생성하는 데 사용된다.
• 학습 에포크 내에서 세그멘테이션 헤드를 반복하여 국소화를 정교화하며, 최종 모델에서는 일致성을 확보하기 위해 한 번의 반복을 사용한다.

실험 결과

연구 질문

• RQ1 특정 임상적으로 유의미한 피부 병변 특징(예: 색소 네트워크, 줄무늬)을 고공간 정밀도로 국소화할 수 있는 딥러닝 모델을 학습시킬 수 있는가?
• RQ2 학습 파이프라인에 중간 수준의 임상 레이블링을 통합하면 모델의 주의 영역과 피부과 전문의가 식별한 관심 영역 간 일치도가 향상되는가?
• RQ3 자기지도 대비 학습이 제한된 레이블링 데이터에서 효과적으로 모델을 사전학습시켜 대규모 레이블링 데이터셋에 대한 의존도를 줄일 수 있는가?
• RQ4 각 임상 지표별로 별도의 인코더를 사용하는 다중 헤드 학습 방식이 다중 작업 학습 대비 국소화 성능에서 어떻게 비교되는가?
• RQ5 기존의 Grad-CAM과 같은 표준 설명 가능성 방법에 비해 모델의 설명 정밀도가 임상적 관련성 측면에서 어느 정도 뛰어나게 되는가?

주요 결과

• 모델은 '줄무늬' 지표에 대해 연속적인 딱시 계수 43.19%를 기록하여, 기준 모델인 Bio-Unet(32.79%)과 f_Res(41.03%)를 뛰어넘었다.
• '색소 네트워크' 국소화는 다섯 개의 별도 인코더를 사용해 딱시 스코어 15.64%를 달성했으며, 다중 작업 기반의 Bio-Unet-(Five-tasks) 설정(15.89%)보다 우수했다.
• 세그멘테이션 헤드를 한 번 반복함으로써 '줄무늬'와 같은 끊어진 특징의 국소화가 향상되었고, 정확한 영역에 집중하면서 임의의 양성 반응을 억제하는 데 성공했다.
• 다중 작업 학습에 멜라노마 진단을 추가함으로써 AUC가 84%로 향상되어 공동 예측의 이점이 전체 성능 향상에 기여함을 입증했다.
• 각 임상 지표별로 다섯 개의 개별 인코더를 사용한 결과, 다섯 또는 여섯 개의 작업을 포함한 다중 작업 학습보다 국소화 정확도(cDC)가 높았으며, 이는 간섭 감소를 의미한다.
• 모델의 주의 맵은 Grad-CAM보다 더 임상적으로 타당했으며, 전체 병변에 퍼져 있는 것이 아니라 특정 진단 특징에 집중하고 있었다.