[논문 리뷰] XProtoNet: Diagnosis in Chest Radiography with Global and Local Explanations

Eunji Kim, Siwon Kim외 2명|arXiv (Cornell University)|2021. 03. 19.

COVID-19 diagnosis using AI참고 문헌 35인용 수 7

한 줄 요약

XProtoNet은 흉부 레이저 영상 진단을 위한 새로운 해석 가능한 딥러닝 프레임워크로, 적응형 영역에서 동적이고 질병에 특화된 프로토타입을 학습하여 전역(클래스 대표 특징) 및 국소(인스턴스별 근거) 설명을 제공한다. 강력한 해석 가능성 제약에도 불구하고 NIH 흉부 X-ray 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 평균 AUC는 0.850이다.

ABSTRACT

Automated diagnosis using deep neural networks in chest radiography can help radiologists detect life-threatening diseases. However, existing methods only provide predictions without accurate explanations, undermining the trustworthiness of the diagnostic methods. Here, we present XProtoNet, a globally and locally interpretable diagnosis framework for chest radiography. XProtoNet learns representative patterns of each disease from X-ray images, which are prototypes, and makes a diagnosis on a given X-ray image based on the patterns. It predicts the area where a sign of the disease is likely to appear and compares the features in the predicted area with the prototypes. It can provide a global explanation, the prototype, and a local explanation, how the prototype contributes to the prediction of a single image. Despite the constraint for interpretability, XProtoNet achieves state-of-the-art classification performance on the public NIH chest X-ray dataset.

연구 동기 및 목표

• 딥러닝 기반 의료 진단에서의 해석 가능성 부족 문제를 해결하기 위해, 특히 흉부 레이저 영상 분야에 초점을 맞춘다.
• 진단 예측에 대한 전역적 및 국소적 설명을 제공하는 모델을 개발하여 임상적 신뢰도를 향상시키기 위해 노력한다.
• 프로토타입 기반 모델에서 고정 크기의 패치에 기인한 한계를 극복하기 위해, 질병 관련 영역 내에서 프로토타입을 학습한다.
• 프로토타입 기반 분류를 통해 명시적이고 인간이 이해할 수 있는 추론을 유지하면서도 높은 진단 성능를 달성하기 위해 노력한다.
• 예를 들어 경계 상자(annotation) 정보와 같은 사전 지식을 활용하여 프로토타입이 임상적으로 관련 있는 특징에 집중하도록 제어함으로써 제어 가능한 진단을 가능하게 한다.

제안 방법

• XProtoNet은 고정 크기의 패치가 아닌, 적응형이고 동적인 영역에서 질병 대표 프로토타입을 학습한다.
• 질병 징후가 나타날 가능성이 높은 영역을 예측하기 위해 학습 가능한 어텐션 메커니즘을 사용한다.
• 시험 영상의 예측된 발생 영역 내 특징을 학습된 프로토타입과 비교하여 진단을 내린다.
• 클러스터링 및 분리 손실을 통해 프로토타입을 최적화하여, 분류에 유의미한 질병 특화 특징을 대표하도록 보장한다.
• 의료적으로 관련 있는 영역에 집중하도록 하기 위해 경계 상자 annotation을 활용하여 사전 조건을 적용함으로써 프로토타입이 진정한 지표와 잘 일치하도록 한다.
• 프레임워크는 ResNet-50 백본을 사용하고, 목표 영역 외부의 비정상적 활성화를 억제하기 위해 발생 지apap에 L1 손실을 통합한다.

실험 결과

연구 질문

• RQ1 흉부 X-ray 진단을 위한 딥러닝 모델이 높은 성능를 유지하면서도 전역적 및 국소적 설명을 제공할 수 있는가?
• RQ2 고정 크기 패치 방법과 비교해 볼 때, 동적이고 질병에 특화된 영역 내에서 프로토타입을 학습하는 것이 진단 정확도와 해석 가능성에 향상되는가?
• RQ3 경계 상자 annotation을 활용하여 프로토타입이 임상적으로 관련 있는 해부학적 특징과 일치하도록 유도할 수 있는가?
• RQ4 추가적인 감독 없이도, XProtoNet과 같은 해석 가능한 모델의 성능가 최신 기술 수준의 블랙박스 모델과 비교해 볼 때 어떻게 되는가?
• RQ5 사전 조건을 통해 특정 영역에 프로토타입을 제약할 경우, 진단 성능와 모델 신뢰도에 어떤 정도의 영향을 미치는가?

주요 결과

• XProtoNet은 NIH 흉부 X-ray 데이터셋에서 평균 AUC 0.850을 달성하여 이전 최신 기술 수준의 방법들을 능가한다.
• 추가적인 경계 상자 감독 없이도 높은 일반화 능력을 입증하여 최신 기술 수준의 성능를 달성한다.
• 경계 상자 annotation을 활용한 사전 조건으로 훈련한 경우, 거의 동일한 성능(평균 AUC 0.850 대비 0.849)을 유지함으로써 강건성을 확인한다.
• 시각화를 통해 학습된 프로토타입이 질병 관련 영역과 공간적으로 일치하며, 효과적으로 클래스를 구분하는 특징을 대표하고 있음을 확인하였다.
• XProtoNet은 질병 별 프로토타입을 통한 전역 설명과 각 프로토타입이 특정 이미지의 예측에 기여하는 방식을 통한 국소 설명을 동시에 성공적으로 제공한다.
• 강력한 해석 가능성 제약 조건이 진단 성능를 손상시키지 않음을 입증하여, 임상 현장에서의 도입에 적합함을 보여주었다.