[논문 리뷰] Interpretable Mammographic Image Classification using Case-Based Reasoning and Deep Learning

Alina Jade Barnett, Fides R. Schwartz외 5명|arXiv (Cornell University)|2021. 07. 12.

AI in cancer detection인용 수 7

한 줄 요약

이 논문은 유의미한 임상적 특징(예: 종양 경계)을 탐지하고 악성도를 예측하기 위해 사례 기반 추론과 프로토타입 네트워크를 결합한 해석 가능한 딥러닝 모델을 제안한다. 이 모델은 검은 상자 모델과 동일하거나 더 높은 정확도를 달성하면서도 의료 지식에 기반하여 프로토타입 이미지 부분을 학습하고 이를 바탕으로 예측을 생성함으로써 투명하고 방사선의사와 일치하는 설명을 제공한다.

ABSTRACT

When we deploy machine learning models in high-stakes medical settings, we must ensure these models make accurate predictions that are consistent with known medical science. Inherently interpretable networks address this need by explaining the rationale behind each decision while maintaining equal or higher accuracy compared to black-box models. In this work, we present a novel interpretable neural network algorithm that uses case-based reasoning for mammography. Designed to aid a radiologist in their decisions, our network presents both a prediction of malignancy and an explanation of that prediction using known medical features. In order to yield helpful explanations, the network is designed to mimic the reasoning processes of a radiologist: our network first detects the clinically relevant semantic features of each image by comparing each new image with a learned set of prototypical image parts from the training images, then uses those clinical features to predict malignancy. Compared to other methods, our model detects clinical features (mass margins) with equal or higher accuracy, provides a more detailed explanation of its prediction, and is better able to differentiate the classification-relevant parts of the image.

연구 동기 및 목표

• 임상 의사결정을 지원하는 본질적으로 해석 가능한 딥러닝 모델을 개발하기 위해.
• 모델의 예측이 영상 장비나 환자 연령과 같은 혼동 요인 대신 임상적으로 관련된 특징(예: 종양 경계)에 기반하도록 보장하기 위해.
• 해설이 방사선의사의 추론 과정과 일치하여 신뢰도를 높이고 임상적 도입을 촉진하기 위해.
• 특히 병변 수준의 특징 활성화 정밀도에서 검은 상자 모델보다 정확도와 해석 가능성 면에서 뛰어나도록 하기 위해.
• 해석 가능한 모델이 비해석 가능한 모델의 성능을 뒤지지 않고도 비합리적인 상관관계에 의존하지 않고도 동등하거나 이를 초월할 수 있음을 입증하기 위해.

제안 방법

• 각 학습된 프로토타입이 임상적으로 관련된 이미지 부분(예: 둥근, 뾰족한 종양 경계)에 대응하는 프로토타입 기반 신경망 아키텍처를 사용한다.
• 각 테스트 이미지에 대해, ℓ₂ 거리로 이미지 패치와 학습된 프로토타입 간의 유사도 점수를 계산하여 관련 영역을 강조하는 활성화 맵을 생성한다.
• 가장 가까운 프로토타입의 유사도 점수를 완전히 연결된 레이어의 입력으로 사용하여 종양 경계 유형과 악성도 확률을 예측한다.
• 악성도 예측은 경계 점수에 대해 선형 모델을 학습하여 계산되며, ŷmal = -16ŷcircumscribed -10ŷindistinct +6ŷspiculated로 표현되며, 이후 시그모이드 함수를 적용한다.
• 모델은 두 단계로 훈련된다: 먼저 프로토타입을 학습하고 관련 특징을 탐지한 후, 경계 예측을 악성도 결과로 매핑한다.
• 해석 가능성은 환자 연령이나 스캐너 유형과 같은 혼동 정보를 피하기 위해 모델이 오직 경계 기반 특징만 사용하도록 제약을 둠으로써 확보된다.

실험 결과

연구 질문

• RQ1 해석 가능한 딥러닝 모델이 검은 상자 모델과 유사한 성능을 보일 수 있는가? (유방 종양 경계 및 악성도 분류에서).
• RQ2 모델의 주의 메커니즘이 방사선의사의 임상적 추론과 일치하는가? (수동으로 그린 주의 맵과의 일치도로 측정함).
• RQ3 프로토타입 기반 접근 방식이 기존의 해석 가능한 또는 검은 상자 모델보다 더 높은 정밀도로 임상적으로 관련된 특징(예: 종양 경계)을 탐지할 수 있는가?
• RQ4 모델이 오직 경계 기반 특징만 사용하도록 제한함으로써 혼동 요인에 의존하는 것을 방지할 수 있으며, 이는 임상적 신뢰성 향상에 기여하는가?
• RQ5 완전히 해석 가능한 모델이 방사선의사의 성능을 따라잡고, 동시에 투명하고 규칙 기반의 추론을 제공할 수 있는가?

주요 결과

• IAIA-BL는 악성도 예측에서 AUROC 0.84 [0.74, 0.94]를 기록했으며, 이는 경계 기반 특징에 국한된 상태에서도 비해석 가능한 엔드 투 엔드 VGG-16(0.87 [0.82, 0.93])와 유사한 성능을 보였다.
• 종양 경계 분류에서 IAIA-BL는 AUROC 0.947 [0.9, 1.0]을 달성했으며, 이는 ProtoPNet와 VGG-16를 모두 충족하거나 초월했고, 특히 병변 수준의 활성화 정밀도가 높았다.
• 모델의 활성화 맵은 방사선의사가 수동으로 작성한 주의 맵과 상당한 일치도(κ = 0.74 [0.60, 0.86])를 보였으며, 이는 이전 연구에서 관찰된 방사선의사 간 일치도를 초월했다.
• IAIA-BL는 활성화 정밀도에서 ProtoPNet와 VGG-16를 모두 뛰어넘어 분류에 관련된 이미지 영역을 더 잘 고립하고, 비합리적인 활성화를 피하는 데 성공했다.
• 선형 악성도 예측 모델(ŷmal = -16ŷcircumscribed -10ŷindistinct +6ŷspiculated)은 알려진 의료 지식과 일치한다: 뾰족한 경계는 악성도 위험 증가와 관련이 있다.
• 모델이 오직 경계 특징에 의존함으로써 환자 연령(유방 밀도에서 유래)과 같은 혼동 정보를 악용하는 것을 방지하여 임상적 타당성이 향상되었다.