[논문 리뷰] IAIA-BL: A Case-based Interpretable Deep Learning Model for Classification of Mass Lesions in Digital Mammography

Alina Jade Barnett, Fides R. Schwartz외 5명|arXiv (Cornell University)|2021. 03. 23.

Explainable Artificial Intelligence (XAI)참고 문헌 54인용 수 15

한 줄 요약

이 논문은 원형 기반 분석을 통해 방사선의사의 추론 방식을 모방함으로써 디지털 유방촬영에서 종양 병변을 분류하기 위한 사례 기반 해석 가능한 딥러닝 모델인 IAIA-BL을 제안한다. 블랙박스 모델과 유사한 정확도를 달성하면서도 임상적으로 유의미한 특징(예: 병변 경계)을 강조함으로써 혼동 요인에 대한 의존도를 줄이고, 진단에서 인간-AI 협업을 투명하게 가능하게 한다.

ABSTRACT

Interpretability in machine learning models is important in high-stakes decisions, such as whether to order a biopsy based on a mammographic exam. Mammography poses important challenges that are not present in other computer vision tasks: datasets are small, confounding information is present, and it can be difficult even for a radiologist to decide between watchful waiting and biopsy based on a mammogram alone. In this work, we present a framework for interpretable machine learning-based mammography. In addition to predicting whether a lesion is malignant or benign, our work aims to follow the reasoning processes of radiologists in detecting clinically relevant semantic features of each image, such as the characteristics of the mass margins. The framework includes a novel interpretable neural network algorithm that uses case-based reasoning for mammography. Our algorithm can incorporate a combination of data with whole image labelling and data with pixel-wise annotations, leading to better accuracy and interpretability even with a small number of images. Our interpretable models are able to highlight the classification-relevant parts of the image, whereas other methods highlight healthy tissue and confounding information. Our models are decision aids, rather than decision makers, aimed at better overall human-machine collaboration. We do not observe a loss in mass margin classification accuracy over a black box neural network trained on the same data.

연구 동기 및 목표

• 생체조직 생검 권고와 같은 고위험 결정에서 방사선의사를 지원하는 해석 가능한 AI 모델을 개발함으로써, 그들을 대체하는 것이 아니라 보완하는 것.
• 장비 종류나 환자 연령 지표 등과 같은 혼동 요인으로 인해 영향을 받을 수 있는 소규모 유방촬영 데이터셋에서의 도전 과제를 해결함.
• 병변 경계 특성과 같은 특정 BI-RADS 특징과 연관된 영역을 국소화함으로써 실제 임상적 추론 방식을 반영한 모델 설명을 가능하게 함.
• 임상 보고서에서 사용하는 체계적인 용어집(예: BI-RADS)과 모델의 추론 방식을 일치시킴으로써 일반화 능력 향상과 신뢰도 향상.
• 해석 가능한 모델이 병변 경계 분류 및 악성도 예측에서 비해석 가능한 모델에 비해 성능을 동등하거나 초월할 수 있음을 입증함.

제안 방법

• 모델는 원형 기반 네트워크(ProtoPNet)를 기반으로 한 새로운 해석 가능한 신경망 아키텍처를 사용하며, 학습 안정성을 향상시키기 위해 기울기 안정화 기법을 도입함.
• 제한된 데이터에서 임상적으로 의미 있는 특징(예: 병변 경계 특성)을 학습하기 위해 전체 이미지 레이블과 픽셀 수준의 애너테이션을 모두 통합함.
• 사례 기반 추론은 입력 이미지를 학습된 원형 케이스 집합과 비교함으로써 구현되며, 각 원형은 특정 진단 특징(예: 뚜렷한 경계)을 대표함.
• 모델는 알려진 원형과 가장 유사한 영역을 강조하고, 이러한 증거를 바탕으로 악성도 확률 점수를 할당함으로써 설명을 생성함.
• 방사선의사가 임상적 진단 관련 특징에 집중하고 아티팩트나 메타데이터에 편향되지 않도록 하기 위해, 정교한 애너테이션 기법을 사용함.
• 이 프레임워크는 디지털 유방 단층촬영과 같은 다른 모odalities 및 BI-RADS 특징(예: 병변 형태)으로도 확장 가능하도록 설계됨.

실험 결과

연구 질문

• RQ1 해석 가능한 딥러닝 모델이 비해석 가능한 모델과 유사한 성능을 달성하면서도 임상적으로 의미 있는 설명을 제공할 수 있는가?
• RQ2 원형 학습을 통한 사례 기반 추론이 이미징 장비나 환자 연령 지표와 같은 혼동 요인에 대한 의존도를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 모델의 추론 과정이 방사선의사의 임상적 결정 과정과 BI-RADS 보고 기준과 얼마나 잘 일치하는가?
• RQ4 모델의 해석 가능성은 예측이 때로 잘못되었을 때에도 방사선의사와 AI 시스템 간의 신뢰와 협업을 향상시킬 수 있는가?
• RQ5 전체 이미지 및 픽셀 수준의 애너테이션을 모두 통합함으로써, 소규모 데이터 환경에서 모델의 정확도와 해석 가능성은 어떻게 향상되는가?

주요 결과

• IAIA-BL은 병변 악성도 예측에서 AUROC 0.91을 달성하였으며, 동일한 테스트 세트에서 전문 방사선의사의 성능(AUROC 0.91)과 약 7% 이내로 유사한 성능을 보였다.
• 해석 가능한 모델로서의 성능은 제한 없는 엔드 투 엔드 VGG-16 블랙박스 모델(auROC 0.87)과 동등했으며, 동시에 완전한 해석 가능성도 제공함.
• 블랙박스 모델과 달리, IAIA-BL은 건강한 조직이나 장비 아티팩트와 같은 혼동 정보를 강조하지 않고, 병변 경계와 같은 진단적으로 유의미한 특징에 집중함.
• 모델의 설명은 임상적으로 의미 있는 특징에 기반하며, 알려진 BI-RADS 특성과 대응하는 원형을 포함함으로써 추적 가능하고 검증 가능한 추론이 가능함.
• 기울기 안정화 기법은 원형 네트워크의 학습 안정성을 향상시켜 임상 환경에서의 구현에 더 신뢰할 수 있게 함.
• 정교한 애너테이션 프로세스는 레이블링 시 혼동 정보의 사용을 크게 감소시켜 모델이 진정한 진단 특징에 더 집중하도록 향상시킴.