[논문 리뷰] Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification

Mukaffi Bin Moin, Fatema Tuj Johora Faria외 3명|arXiv (Cornell University)|2024. 05. 07.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 연구는 조직병리학적 영상을 사용한 자동 폐암 및 대장암 분류를 위한 하이브리드 딥러닝 및 해석가능한 인공지능(XAI) 프레임워크를 제안한다. 데이터 증강을 적용한 8종의 사전 훈련된 CNN(예: Xception, DenseNet201)을 평가하고, Grad-CAM 및 SmoothGrad와 같은 XAI 기법을 활용해 모델의 해석 가능성과 정확도를 향상시켜 최대 99.89%의 정확도를 달성하고 의사결정 과정의 시각화를 향상시켰다.

ABSTRACT

Lung and colon cancer are serious worldwide health challenges that require early and precise identification to reduce mortality risks. However, diagnosis, which is mostly dependent on histopathologists' competence, presents difficulties and hazards when expertise is insufficient. While diagnostic methods like imaging and blood markers contribute to early detection, histopathology remains the gold standard, although time-consuming and vulnerable to inter-observer mistakes. Limited access to high-end technology further limits patients' ability to receive immediate medical care and diagnosis. Recent advances in deep learning have generated interest in its application to medical imaging analysis, specifically the use of histopathological images to diagnose lung and colon cancer. The goal of this investigation is to use and adapt existing pre-trained CNN-based models, such as Xception, DenseNet201, ResNet101, InceptionV3, DenseNet121, DenseNet169, ResNet152, and InceptionResNetV2, to enhance classification through better augmentation strategies. The results show tremendous progress, with all eight models reaching impressive accuracy ranging from 97% to 99%. Furthermore, attention visualization techniques such as GradCAM, GradCAM++, ScoreCAM, Faster Score-CAM, and LayerCAM, as well as Vanilla Saliency and SmoothGrad, are used to provide insights into the models' classification decisions, thereby improving interpretability and understanding of malignant and benign image classification.

연구 동기 및 목표

• 세계적으로 암 관련 사망의 주요 원인인 폐암 및 대장암의 조기 및 정확한 진단에 대한 필수적인 필요성을 해결한다.
• 전문 병리의사에 대한 의존도와 관찰자 간 변동성을 포함한 조직병리학 기반 진단의 한계를 극복하기 위해 딥러닝을 활용한 자동 분류를 통해 진단을 자동화한다.
• 의료 영상에서의 모델 해석 가능성 향상을 위해 다양한 XAI 기법을 통합하여 암 분류 과정에서의 의사결정 과정을 시각화한다.
• 조직병리학적 영상 기반 폐암 및 대장암 분류에 대한 해석가능한 인공지능 응용 분야의 격차를 해소하여 임상적 신뢰도 향상과 보급을 촉진한다.
• 표준화된 환경에서 최신의 8종의 사전 훈련된 CNN 아키텍처의 성능을 평가하고 비교하여 암 검출에 가장 효과적인 모델을 규명한다.

제안 방법

• 조직병리학적 영상 데이터셋에 대해 전이 학습을 위해 Xception, DenseNet121, DenseNet169, DenseNet201, InceptionV3, ResNet101, ResNet152, InceptionResNetV2 등 8종의 사전 훈련된 CNN 아키텍처를 활용하였다.
• 모델의 일반화 및 강건성을 향상시키기 위해 고급 데이터 증강 전략을 적용하였다.
• 다양한 XAI 기법 통합: Grad-CAM, Grad-CAM++, Score-CAM, Faster Score-CAM, LayerCAM를 활용한 클래스 활성화 맵 생성 및 Vanilla Saliency, SmoothGrad를 활용한 시각화 맵 생성.
• 클래스 활성화 맵과 시각화 맵을 사용하여 조직병리학적 영상에서 악성 대 비암 분류에 중요한 특징을 강조하는 차별적 영역을 시각화하였다.
• 분류 성능 평가를 위해 정확도, 정밀도, 재현도, F1 점수, Jaccard 점수, 로그 손실 등의 표준 지표를 사용하여 분류 효과를 정량화하였다.
• 모든 코드와 훈련된 모델을 GitHub에 공개하여 재현 가능성과 커뮤니티 접근성을 확보하였다.

Figure 1: Representation of LC25000 dataset

실험 결과

연구 질문

• RQ1 조직병리학적 영상에서 폐암 및 대장암 분류에 가장 높은 정확도를 달성하는 사전 훈련된 CNN 아키텍처는 무엇인가?
• RQ2 다양한 해석가능한 인공지능 기법(예: Grad-CAM, SmoothGrad)은 의료 영상 분류에서 딥러닝 모델의 해석 가능성에 어떻게 기여하는가?
• RQ3 XAI 기법은 조직병리학적 영상에서 암 진단을 위한 차별적 영역의 시각화에 얼마나 높은 수준으로 기여하는가?
• RQ4 이 의료 영상 작업에서 다양한 CNN 아키텍처 간에 정확도와 해석 가능성 사이의 성능 트레이드오프는 어떠한가?
• RQ5 XAI 기법의 통합은 임상의의 신뢰도를 높이고 자동 암 진단의 임상적 의사결정 지원을 어떻게 향상시킬 수 있는가?

주요 결과

• Xception가 99.89%의 최고 정확도와 0.0384의 최저 로그 손실을 기록하여 연구에서 모든 다른 모델을 압도적으로 뛰어넘었다.
• DenseNet201은 정확도 99.71%, 정밀도 99.71%, 재현도 99.71%, F1 점수 99.71%를 기록하여 높은 일관성을 보였다.
• InceptionResNetV2는 97.65%의 정확도와 0.8458의 최고 로그 손실을 기록하여 낮은 신뢰도와 높은 오류율을 보였다.
• Grad-CAM, Grad-CAM++, SmoothGrad는 악성 조직 샘플에서 명확하게 악성 영역을 강조하는 고품질의 클래스 활성화 맵 및 시각화 맵을 생성하였다.
• XAI 기법의 통합을 통해 조직병리학적 영상에서 중요한 차별적 특징을 시각화할 수 있었고, 이는 모델의 투명성 향상과 임상적 해석 가능성 향상에 기여하였다.
• 혼동 행렬을 통한 분석 결과 모든 모델에서 높은 특이도와 민감도를 확인하였으며, Xception는 폐암 및 대장암 모두에서 거의 완벽한 클래스 분리 성능를 보였다.

Figure 2: Representation of our proposed methodology for lung and colon cancer classification using explainable AI techniques