국내외 바이오 관련 동향 뉴스를 신속하게 제공합니다.
뉴스 의학약학
뇌 영상 기반 설명 가능한 알츠하이머병 조기 예측 인공지능 기술 개발
Bio통신원(고려대학교)
고려대학교 인공지능학과 석흥일 교수와 오관석 석박사통합과정, 윤지석 석박사통합과정 학생의 연구 논문이 인공지능 분야 상위 1%에 해당하는 과학저널 ‘IEEE Transactions on Pattern Analysis and Machine Intelligence’에 미국 시간 8월 10일 온라인 게재됐다.
* 논문제목 : Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to Reinforce an Alzheimer's Disease Diagnosis Model
* 웹사이트 : https://ieeexplore.ieee.org/document/9854196
* DOI : 10.1109/TPAMI.2022.3197845
연구팀은 인간의 사후가정사고를 모방하는 인공지능을 개발하여, 치매 진단에 더욱 고차원적인 설명이 가능한 인공지능(explainable AI, XAI) 기술을 제안했다. ‘사후가정사고’란 인간이 특정 사건을 경험한 후, 일어나지 않은 가상의 대안적 사건을 생각해내는 고차원적인 사고이다. 기존 XAI 기술은 인공지능이 추론한 결론을 정량적 및 시각적으로 해석하는 것에 초점을 두어, 인공지능이 잘못된 결론을 내렸거나 추론 과정이 틀렸을 경우, 이에 대한 설명성이 떨어진다는 한계점이 있다. 반면에, 사후가정사고가 가능한 인공지능은 가상의 대안적 사건을 생성할 수 있어 인공지능이 정확히 판별한 샘플들은 물론, 잘못된 결론을 내린 이유에 대한 근본적인 원인추론이 가능하다. 더 나아가, 기존의 XAI의 기술들과는 달리 비전문가도 이해할 수 있는 수준의 설명성 및 신뢰성을 제공할 수 있는 기술이다.
이번 연구의 목표는 인간 수준의 사고가 가능한 인공지능 기술을 통해 맞춤형 의사결정 보조 시스템을 개발하는 것에 있다. 따라서, 연구팀은 제안한 기술을 알츠하이머성 치매 조기 진단에 적용하여 기존 연구 대비 진단 성능 및 설명가능성을 대폭 향상한 것을 논문에서 보여주었다. 연구팀이 개발한 설명 기술은 정상인의 뇌 영상에서 알츠하이머병을 일으킬 수 있는 뇌 영역에 대한 가설들을 진단 모델에 근거하여 자동으로 생성함으로써 알츠하이머병 조기 진단, 치료 및 분석에 도움을 줄 수 있다. 추가로, 본 기술은 경미한 구조적 변화로 인해 진단 및 사후 예측이 어려운 치매의 전구단계(경도인지장애 등)에 대한 바이오마커 추론 및 분석 또한 가능케 하여 더욱 실용성이 높은 기술임을 입증했다.
연구책임자 및 논문의 교신 저자인 석흥일 교수는 “현재 의료 산업에 인공지능 기술을 접목하는 과도기 단계에서 영상 전문의나 임상의들이 질병 진단 및 사후 예측을 위한 신뢰할 수 있는 보조 시각 정보를 제공하여 더 정확한 진단을 유도할 수 있기를 기대”한다고 말했다. 또한, 본 기술을 통해 “알츠하이머병 진단에 기여하는 대표적인 영역들뿐만 아니라 육안 검사 및 진단 과정에서 임상의들도 구분하기 어려운 잠재적 바이오마커들을 검출하고, 이러한 정보들을 데이터 증강을 통한 인공지능 재학습을 수행함으로써 더욱 강건하고 높은 성능을 도출해내는 모델 개발이 가능”하다고 연구 의의를 밝혔다. 석흥일 교수 연구팀은 후속 연구로 유병률이 낮은 치매 원인 질환에 대한 진단 시스템 및 설명가능한 인공지능을 개발할 예정이다.
논문이 게재된 과학저널 ‘IEEE Transactions on Pattern Analysis and Machine Intelligence’은 2021년 JCR(Journal Citation Reports)에서 인공지능 분야 SCIE 저널 144개 중 2위로 평가된 세계 최고 수준의 과학저널이다. 이번 연구는 과학기술정보통신부의 ‘(2세부) 의사결정 지원을 위한 퓨샷 학습 기반 시각 및 언어에 대한 인과관계 추론기술개발’ 과제와 ‘인공지능대학원지원사업’ 과제의 지원을 받아 수행됐다.
[ 논 문 소 개 ]
* 제목: Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to Reinforce an Alzheimer's Disease Diagnosis Model
최근 딥러닝을 적용한 알츠하이머병 진단 모델이 기계학습 기반 모델들에 비해 월등한 성능을 도출해내는 반면, 기술의 활용 및 상용화 측면에서 딥러닝의 고질적인 문제인 “블랙박스” 특성으로 인해 의사결정에 대한 신뢰성과 투명성을 제공하지 못하는 한계가 있다. 본 연구는 설명 가능한 인공지능 분야에 관한 것으로, 딥러닝의 의사결정에 대한 사후가정맵을 생성하여 인과관계 추론 및 해석을 통해 최종 사용자에게 적절한 근거를 제공해줌으로써 투명성과 신뢰성을 확보할 수 있는 새로운 프레임워크를 제안하였다(그림 1). 또한, 지역적, 전역적 희소 정보를 모두 고려할 수 있는 새로운 주의 모듈(그림 2)과 함께 추론된 사후가정맵을 진단 모델의 성능 향상을 위한 지침으로 활용하여 더 우수한 진단 모델을 획득하는 것을 목표로 한다. 일반적으로 주의 모듈과 함께 사용되는 지침의 경우, 타겟 속성들의 대략적인 위치 정보만 제공해주는 반면, 사후가정맵은 질병의 진행에 따른 구조적 변화와 유사한 특징을 모방하는 동시에 더 세분화된 지역화를 수행하여 효과적인 모델 학습을 가능케 한다. 마지막으로, 진단 모델의 결정을 설명하기 위한 사후가정맵 생성과 생성된 사후가정맵을 모델 학습의 지침으로 사용한 진단 모델 성능 향상 과정을 반복적으로 수행함으로써 상호보완적인 학습을 통해 두 과정에서의 결과를 모두 개선할 수 있는 모델 강화 학습 전략(그림 3)을 세계 최초로 제안하였다.
석흥일 교수 연구팀은 본 연구를 통해 다양한 도메인에서 학습된 모델의 의사결정 결과 및 과정을 해석할 수 있는 사후가정맵을 생성하여 XAI의 고질적인 블랙박스 문제를 완화하고, 이를 인공지능의 성능개선을 위한 지침으로 활용하는 새로운 접근방식을 제안했다. 그 결과, 진단 모델의 성능에 대한 비약적인 향상을 도출해냈을 뿐만 아니라, 사후가정맵의 품질 또한 세분화되고 경미한 변화까지 포착하는 설명성을 제공하였다. 이는 모델의 신뢰성을 입증하는 중요한 의미를 가지며, 육안 검사 시 임상의들도 발견하기 어려운 보조적인 잠재적 바이오마커들을 추가로 제공하여 질병 진단에 큰 도움을 줄 것으로 예상된다. 더욱이, 제안된 방법은 의료 분야에 국한되지 않고, 제조업 및 반도체 공정 분야에서 제품생산 과정에서의 결함 및 자동화 기계로부터 불량품으로 인식된 이유에 대한 원인을 추론하는데 활용되거나, 학습 데이터 결핍 및 전문가들을 통한 레이블링을 요구하는 다양한 분야에서 데이터 증강을 위한 하나의 원천 기술로 확장시킬 수 있을 것으로 기대된다.
본 기사는 네티즌에 의해 작성되었거나 기관에서 작성된 보도자료로, BRIC의 입장이 아님을 밝힙니다. 또한 내용 중 개인에게 중요하다고 생각되는 부분은 사실확인을 꼭 하시기 바랍니다.
[기사 오류 신고하기]