JANUS: Anatomy-Conditioned Gating for Robust CT Triage Under Distribution Shift

기술 요약: JANUS – 견고한 CT 분류를 위한 해부학적 조건부 게이팅

문제 제기
자동화된 CT 분류는 임상적으로 중요한 소견을 플래그하는 것을 목표로 하며, 이러한 소견의 많은 부분이 시각적 외관뿐만 아니라 정량적 임계값 (예: 장기 크기, 혈관 직경, HU 밀도) 으로 정의됩니다. 비전 트랜스포머 (ViT) 는 강력한 시각적 표현을 제공하지만, 이러한 측정 신호를 명시적으로 통합하는 메커니즘이 종종 부족합니다. 분포 이동 (예: 스캐너 프로토콜 또는 재구성 설정의 변경) 하에서 시각적 외관은 크게 변할 수 있지만 근본적인 해부학은 불변으로 유지됩니다. 거친 장기 수준의 통계나 가산적 융합을 사용하여 이 격차를 메우려는 이전 시도는 시각적 증거와 정량적 증거가 상충될 때 모델이 허위 상관관계에 매몰되는 것을 방지하는 명시적 억제 메커니즘을 제공하지 못해 실패하는 경우가 많습니다.

방법론: JANUS 아키텍처
저자들은 해부학적 유도 게이팅 (Anatomically Guided Gating) 을 통해 매크로 방사선학적 사전 지식을 기반으로 시각적 임베딩을 조건화하도록 설계된 생리학 유도 듀얼 스트림 아키텍처인 JANUS를 소개합니다.

1. 데이터 섭취 및 전처리:

   • 시각 스트림: 3D CT 볼륨은 $N$개의 2.5D "트리-슬라이스 (tri-slices)" (인접한 슬라이스 적층) 로 샘플링됩니다. 이는 패치 임베딩을 추출하기 위해 사전 훈련된 DINOv3 ViT 백본으로 처리됩니다.
   • 기호 스트림: TotalSegmentator와 같은 도구에서 파생된 분할 마스크를 사용하여 질병 특이적 매크로 방사선학적 사전 벡터 ($s_\ell$) 를 계산합니다. 이 벡터에는 장기 부피, 직경, 밀도 측정 프로파일, 체액 부피와 같은 설명자가 포함됩니다. 이러한 스칼라는 z-점수 정규화됩니다.

2. 시각 인코딩 (장기-마스크 어텐션):

   • 표준 전역 풀링 대신 JANUS는 확장 ROI-마스크 어텐션 풀링 (Dilated ROI-Masked Attention Pooling) 을 사용합니다. 각 병리별로 특정 3D 관심 영역 (ROI) 마스크가 정의됩니다 (예: 동맥류를 위한 대동맥).
   • 이 마스크는 장기 주변 컨텍스트를 포착하도록 확장되고 트리-슬라이스 샘플링과 정렬됩니다.
   • 어텐션 가중치는 ROI 내 토큰에 대해서만 계산되어 병리와 구체적으로 관련된 시각적 특징 ($z_{v,\ell}$) 을 풀링하고 관련 없는 배경은 무시합니다.

3. 해부학적 유도 게이팅 (핵심 메커니즘):

   • 매크로 방사선학적 사전 벡터 $s_\ell$은 학습된 선형 레이어를 통해 투영된 후 시그모이드 함수를 통과하여 생리학적 게이트 $g_\ell \in [0, 1]^d$를 생성합니다.
   • 이 게이트는 요소별 곱셈 (하다마드 곱) 을 통해 시각적 임베딩을 조절합니다: $z_{gated,\ell} = z_{v,\ell} \odot g_\ell$.
   • 메커니즘: 이는 "생리학적 거부권 (Physiological Veto)"으로 작용합니다. 정량적 사전 지식이 시각적 증거와 모순되는 경우 (예: 시각적 특징이 동맥류를 시사하지만 대동맥 직경이 정상 범위 내에 있는 경우), 게이트는 시각적 임베딩의 특정 차원을 감쇠시켜 고신뢰도 위양성을 효과적으로 억제할 수 있습니다.
   • 초기화: 게이트는 안정적인 기울기 흐름을 보장하기 위해 대부분 열린 상태 ($g \approx 0.88$) 로 초기화되며, 모델은 훈련 데이터가 지원할 때만 더 강력한 게이팅을 학습합니다.

4. 훈련 목적 함수:

   • 모델은 부분적으로 관찰된 레이블에 대해 커리큘럼 가중 이진 교차 엔트로피 (BCE) 손실을 사용합니다. 누락된 레이블은 후향적 데이터셋에서 흔히 발생하는 불완전한 주석을 처리하기 위해 초기 워밍업 기간 이후 약한 음성으로 간주됩니다.

주요 기여

• 아키텍처: JANUS는 정량적 측정이 시각적 예측을 단순히 보강하는 것이 아니라 제약해야 한다는 원칙을 운영화합니다. 이는 매크로 방사선학적 사전 지식과 시각적 증거가 상충될 때 시각적 증거를 억제할 수 있도록 구조적으로 지원하는 곱셈 병목 현상을 도입합니다.
• 지표 (생리학적 거부권율 - PVR): 저자들은 고신뢰도 기준 위양성의 억제를 정량화하기 위해 PVR 을 제안합니다. 또한 게이팅 메커니즘이 균일하게 신뢰도를 감소시키는 것이 아니라 선택적임을 입증하기 위해 거부 선택성 (Veto Selectivity) (위양성 억제 대 진양성 억제의 비율) 을 정의합니다.
• 실증적 검증: 이 연구는 표준 ViT 및 ORACLE-CT 변형체를 포함한 기준선과 엄격한 비교를 제공하여, 특정 게이팅 메커니즘이 가산적 융합 전략보다 우수함을 입증합니다.

결과

• 성능: MERLIN 테스트 세트 ($N=5,082$) 에서 JANUS 는 매크로 AUROC 0.88 및 AUPRC 0.74를 달성하여 재현된 모든 기준선 (ViT-Baseline: 0.84; ORACLE-CT: 0.86) 을 능가했습니다.
• 일반화: 다른 기관의 외부 데이터셋 ($N=2,000$) 에서 JANUS 는 강력한 성능 (AUROC 0.87) 을 유지하여 성능 저하나 정체성을 보인 기준선들을 크게 능가했습니다.
• 보정: JANUS 는 내부 및 외부 데이터셋 모두에서 우수한 보정 (낮은 기대 보정 오차, ECE) 을 보여주었습니다.
• 선택성: 생리학적 거부권율 분석은 도메인 이동 하에서 JANUS 가 진양성에 **2.85%**만 영향을 미치면서 고신뢰도 위양성을 30.8% 감소시켜, 거부 선택성이 10.8$\times$임을 보여주었습니다.
• 견고성: 시뮬레이션된 스칼라 손상 (최대 50% 노이즈) 하에서 JANUS 는 ViT 기준선 이상으로 우아하게 저하되는 반면, 가산적 융합 방법 (+OSF) 은 기준선 성능에 근접했습니다.
• 층화 분석: 기하학적 (크기) 및 밀도 측정 (예: 대동맥 동맥류, 간 지방증) 으로 정의된 소견에 대한 개선이 가장 두드러졌습니다. 장기 수준 사전 지식이 덜 유익한 국소 병리 (예: 충수염) 의 경우, 가산적 융합 모델에서 관찰된 저하를 피하면서 기준선과 비교 가능한 성능을 유지했습니다.

의의 및 주장
이 논문은 JANUS 가 물리적으로 근거한 조건부가 CT 분류에서 판별력과 신뢰성 모두를 향상시킨다고 주장합니다. 곱셈 게이팅 메커니즘을 통해 해부학적 제약을 강제함으로써, 모델은 분포 이동에 더 견고해지고 정량적 생체표지자와 일치하지 않는 허위 시각적 상관관계를 억제하는 데 더 능숙해집니다. 저자들은 이 접근 방식이 정량적 임계값으로 정의된 소견에 특히 중요한 신뢰할 수 있는 자동 분류를 위한 임상적으로 필요한 단계라고 결론지었습니다.

한계점
저자들은 JANUS 가 분할이 게이팅에 선행되어야 하는 순차적 파이프라인에 의존하며, 이는 명확한 장기 수준 대리자가 없는 국소 소견의 유용성을 제한한다고 인정합니다. 또한, 스칼라 견고성은 실제 분할 오류 대신 시뮬레이션된 손상으로 평가되었으며, CT 사전 훈련 백본의 사용은 향후 과제로 남아 있습니다.