[논문 리뷰] MultiTask Learning AI system to assist BCC diagnosis with dual explanation

Iván Matas, Carmen Serrano외 4명|arXiv (Cornell University)|2024. 06. 27.

Cutaneous Melanoma Detection and Management인용 수 4

한 줄 요약

이 논문은 원격피부과 진료에서 기저세포암(Basal Cell Carcinoma, BCC) 진단을 위한 다중 작업 딥러닝 AI 시스템을 제시한다. 이 시스템은 이진 BCC/비-BCC 분류와 Grad-CAM을 통한 임상적으로 유의미한 설명, 전문의가 주석 처리한 피부경화소 패턴을 통합한다. 모델은 분류 작업에서 90%의 정확도와 임상적으로 중요한 BCC 패턴 탐지에서 99%의 정확도를 달성하였으며, Grad-CAM의 주의 집중 영역이 피부과 전문의가 세그먼트한 영역과 강하게 일치함(내부 평균 활성도 0.57, 외부 0.16)으로 높은 해석 가능성과 임상적 관련성을 입증하였다.

ABSTRACT

Basal cell carcinoma (BCC) accounts for about 75% of skin cancers. The adoption of teledermatology protocols in Spanish public hospitals has increased dermatologists' workload, motivating the development of AI tools for lesion prioritization. However, limited transparency in current systems hinders clinical acceptance. This study proposes an AI system for BCC detection from dermoscopic images that integrates dermatologist diagnostic criteria based on specific dermoscopic patterns. We analyzed 1559 dermoscopic images from 60 primary care centers annotated by four dermatologists for seven BCC patterns. An Expectation-Maximization consensus algorithm was used to build a unified standard reference. A multitask learning model based on MobileNet-V2 was developed to classify lesions and identify clinically relevant patterns, supported by Grad-CAM visual explanations. The system achieved 90% accuracy in BCC classification (precision 0.90, recall 0.89). Clinically relevant BCC patterns were correctly detected in 99% of positive cases, and the pigment network exclusion criterion was satisfied in 95% of non-BCC cases. Grad-CAM maps showed strong spatial agreement with dermatologist-defined regions. The proposed system combines accurate BCC detection with transparent pattern-based explanations, helping bridge the gap between AI performance and clinical trust in teledermatology.

연구 동기 및 목표

• 원격피부과 진료에서 진단 지연을 줄이고 전문의 전문 진료를 최적화하기 위해 해석 가능한 AI 도구를 개발한다.
• 피부과 전문의가 주석 처리한 피부경화소 패턴을 통합하여 임상 지식을 모델의 해석 가능성에 통합한다.
• 정량적 지표를 사용하여 AI가 생성한 주의 맵(Grad-CAM)과 임상적으로 중요한 병변 특징 간의 일치 정도를 평가한다.
• 특히 희귀 패턴인 '바퀴벌레 모양'과 '단풍잎 모양' 등에 대해 데이터 증강 및 클래스 가중 손실을 활용하여 BCC 데이터셋의 클래스 불균형 문제를 완화한다.
• 의사가 안내한 분석과 Grad-CAM 활성도의 확률 밀도 함수를 사용하여 모델의 설명의 임상적 관련성을 검증한다.

제안 방법

• 다중 작업 딥러닝 프레임워크를 사용하여 이진 BCC/비-BCC 분류와 다수의 피부경화소 특징(예: 색소 네트워크, 궤양, 다중구형)을 동시에 탐지하도록 학습한다.
• 모델은 Grad-CAM을 사용하여 클래스 활성도 맵을 생성하고, 이를 피부과 전문의가 세그먼트한 임상적 관심 영역과 비교하여 주의 집중의 일치 정도를 평가한다.
• 4명의 피부과 전문의의 주석을 기반으로 기대값 최대화(Expectation Maximization, EM) 알고리즘을 적용하여 피부경화소 특징에 대한 공통된 기준 진위를 추론하여, 기존에 확립된 기준이 없는 문제를 해결한다.
• 피부과 전문의가 세그먼트한 영역 내(Fg) 및 외(Bg)에서 정규화된 Grad-CAM 값의 조건부 확률 밀도 함수를 추정하여 주의 집중 정확도를 정량적으로 평가한다.
• 클래스 가중 교차 엔트로피 손실과 데이터 증강을 적용하여 데이터셋 내 클래스 불균형 문제를 완화하며, 특히 희귀 패턴인 '바퀴벌레 모양'과 '단풍잎 모양'에 대해 강화한다.
• 피부과 전문의가 주석 처리한 패턴에 기반한 임상적 유도 XAI(해석 가능한 인공지능)를 구현하기 위해 Grad-CAM 맵을 전문의가 주석 처리한 병변 패턴 위에 겹쳐 놓고, 평균 활성도 및 확률 분포의 교차 면적을 사용하여 공간적 대응 정도를 평가한다.

Figure 1: Illustration showing the current workflow of BCC diagnosis by teledermatology in orange and the proposed workflow in green.

실험 결과

연구 질문

• RQ1 다중 작업 딥러닝 모델은 이진 BCC/비-BCC 분류에서 높은 정확도를 달성하면서도 임상적으로 해석 가능한 설명을 제공할 수 있는가?
• RQ2 Grad-CAM로 측정한 모델의 주의 집중 정도가 BCC 병변에서 피부과 전문의가 특정한 임상적 관심 영역과 얼마나 일치하는가?
• RQ3 모델은 임상 BCC 진단에 사용되는 특정 피부경화소 특징을 얼마나 정확하게 탐지할 수 있으며, 이는 전문가 공통의 판단과 비교해 볼 때 어떻게 되는가?
• RQ4 의사가 주석 처리한 패턴을 통합함으로써 AI의 설명의 신뢰성과 임상적 관련성이 향상되는가?
• RQ5 임상적으로 중요한 병변 영역 내외에서 Grad-CAM 활성도 강도 간의 정량적 관계는 어떠한가?

주요 결과

• BCC/비-BCC 이진 분류는 90%의 정확도를 기록하였으며, 재현율(recall)은 0.89, 특이도(specificity)는 0.89였다.
• 임상적으로 중요한 BCC 패턴 탐지 정확도는 적어도 하나의 해당 패턴이 존재하는 병변을 대상으로 평가했을 때 99%였다.
• 임상적으로 유도된 XAI 분석에서 피부과 전문의가 세그먼트한 영역 내(Fg) 평균 Grad-CAM 활성도는 0.57이었고, 외부(Bg)는 0.16이었으며, 이는 관련 특징에 대한 강력한 주의 집중을 의미한다.
• 정확한 예측의 경우, 임상 영역 내외에서 Grad-CAM 값의 조건부 확률 밀도 함수의 교차 면적은 0.24였으며, 이는 정확한 경우에 더 높은 주의 집중 일치를 의미한다.
• 오류 예측의 경우 Fg 내 평균 활성도는 0.33(정확한 경우 0.57)로 낮았고, 교차 면적은 0.32(정확한 경우 0.24)로 더 높아, 잘못 분류된 경우 임상적 특징에 대한 주의 집중이 떨어지는 것으로 나타났다.
• 색소 네트워크 탐지의 경우 정밀도(precision)는 0.97, 재현율(recall)는 0.94로 매우 높았으나, 궤양 및 다중구형의 경우 정밀도가 각각 0.52 및 0.32로 낮아 희귀하거나 모호한 패턴에 대한 도전 과제가 있음을 시사한다.

Figure 2: BCC dermoscopic criteria and Pigment Network as a negative criterion.