기술 요약: TRACE – 종단적 3D 교모세포종 반응 평가를 위한 개념 병목 모델(Concept Bottleneck Model)

1. 문제 정의

교모세포종(GBM)의 치료 반응에 대한 종단적 평가는 임상적 의사결정에 매우 중요하지만, 시간에 따른 종양 변화의 미묘함과 임상 기준의 복잡성으로 인해 여전히 어려운 과제로 남아 있다. 임상의들은 RANO(Response Assessment in Neuro-Oncology) 기준(특히 RANO 2.0)에 의존하며, 이는 기저치(baseline)와 추적 관찰 MRI 스캔 간의 종양 측정치(부피 및 직경의 곱의 합, SPD)를 비교하여 반응을 완전 관해(CR), 부분 관해(PR), 안정 병변(SD), 진행성 질환(PD)의 네 가지 클래스로 분류하는 과정을 포함한다.

현재의 딥러닝 접근 방식은 일반적으로 영상 특징으로부터 반응 레이블을 직접 예측한다. 이러한 "블랙박스" 모델들은 성능 지표 측면에서는 효과적일 수 있으나, 해석 가능성이 부족하여 임상의가 추론 과정이나 오류를 검토하기 어렵다. 또한, 표준 모델들은 RANO 프로토콜에 내재된 구조적이고 인과적인 의존성(예: 백분율 변화는 기저치와 추적치 측정값의 결정론적 함수임)을 명시적으로 인코딩하지 못하는 경우가 많다. 따라서 임상적 추론과 일치하고, 투명성을 제공하며, 개념 수준에서 인간의 개입이 가능한 접근 방식이 필요하다.

2. 방법론: TRACE 아키텍처

저자들은 종단적 GBM 평가를 위해 설계된 개념 병 bottleneck 모델(CBM)인 TRACE(Temporal Causal Reasoning with Acyclic Concept Explanation)를 제안한다. TRACE는 개념을 독립적인 예측자들의 평면적인 집합으로 취급하는 일반적인 CBM과 달리, RANO 결정 과정을 모방한 유향 비순환 그래프(DAG)로 병목 구간을 구조화한다.

2.1. 입력 및 인코더

모델은 쌍을 이룬 기저치($t_0$) 및 추적 관찰($t_1$) 다중 모달 MRI(T1, T1ce, T2, FLAIR)와 그에 대응하는 종양 분할 마스크를 처리한다.

• Siamese 3D 인코더: 가중치를 공유하는 3D ResNet-18(MedicalNet 백본)이 MRI 및 분할 스트림에 대해 두 시점을 각각 인코딩한다.
• 시간적 표현: 인코더 출력은 명시적인 차이($h_{t1} - h_{t0}$)와 함께 결합되어 종단적 특징 트리플렛(triplet)을 형성한다. 이들은 하나의 결합된 표현($X_{enc}$)으로 융합된다.

2.2. 구조화된 개념 병목 (Structured Concept Bottleneck)

핵 core 혁신은 DAG 내에서 개념을 세 가지 유형으로 분리하는 것이다:

1. 루트 개념 (Root Concepts, $C_r$): $X_{enc}$로부터 학습 가능한 "ConceptBlocks"(MLP)를 통해 예측되는 영상 유래 종양 측정치이다. 여기에는 기저치/추적 부피($V_{t0}, V_{t1}$) 및 SPD($SPD_{t0}, SPD_{t1}$)가 포함된다.
2. 파생 개념 (Derived Concepts, $C_d$): 이들은 학습되는 것이 아니라, 부모 개념으로부터 고정된 수학적 규칙을 통해 계산되는 결정론적 노드이다. 여기에는 백분율 변화($\Delta V\%, \Delta SPD\%$) 및 이진 임계값 플래그(예: $\Delta V\% \ge 40\%$인 경우의 $b_{PD}^{vol}$)가 포함된다. 이는 상호 일관성을 보장하고 모델이 파생된 값에 대해 가짜 상관관계를 학습하는 것을 방지한다.
3. 패스스루 개념 (Passthrough Concepts, $M$): 영상 인코딩 없이 직접 주입되는 임상 메타데이터로, 스캔 간격($\Delta t$) 및 신규 병변 플래그($b_{NL}$) 등이 포함된다.

최종 태스크 헤드(MLP)는 오직 구조화된 병목 벡터 $(C_r, C_d, M)$만을 기반으로 4-클래스 RANO 반응($Y$)을 예측하며, 이를 통해 어떤 "숨겨진" 영상 특징도 최종 분류로 직접 누출되지 않도록 보장한다.

2.3. 개입 일관성 학습 (Intervention-Consistency Training)

테스트 시점에 개념을 수정했을 때 태스크 헤드의 분포가 변할 수 있는 "훈련-테스트 불일치" 문제를 해결하기 위해, TRACE는 개입-일관성 학습을 채택한다.

• 훈련 중에 루트 개념은 확률 $p_{int}$로 실제 정답 값(개입)으로 무작위 교체된다.
• 모델은 입력된 개념이 예측된 것인지 혹은 수정된 것인지에 관계없이 예측이 일관되게 유지되도록 KL 발산 손실($\mathcal{L}_{IC}$)을 통해 처벌을 받는다.
• 손실 함수는 소프트 매크로 F1 목적 함수(클래스 불균형을 위한 포컬 가중치 포함), 보조적인 PD-vs-rest 헤드, 그리고 루트 노드에 대한 개념 감독(supervision)을 결합한다.

3. 주요 기여

1. 최초의 RANO 정렬 CBM: TRACE는 RANO 기반의 종단적 GBM 반응 분류를 위해 설계된 최초의 개념 병목 모델로, 개념들을 평면적인 예측자 집합이 아닌 인과적 DAG로 표현한다.
2. 병목 내 결정론적 추론: 모델은 RANO 추론 규칙(백분율 변화 및 임계값)을 결정론적 노드로 인코딩한다. 이는 태스크 헤드가 인간이 해석 가능한 변수에 국한되도록 제한하며, 개념 수준의 수정이 논리적으로 추론 체인을 통해 전파되도록 보장한다.
3. 개입-일관성 학습: 저자들은 예측된 개념과 수정된 개념 간의 불일치를 명시적으로 처벌함으로써 신뢰할 수 있는 테스트 타임 개입을 가능하게 하는 훈련 전략을 도입했다.
4. LUMIERE 데이터셋 평가: 모델은 LUMIERE 데이터셋에서 5-겹 환자별 교차 검증을 통해 평가되었으며, 비해석적 베이스라인과 대등한 성능을 보이면서도 해석 가능성을 제공함을 입증했다.

4. 결과

LUMIERE 데이터셋(91명의 환자로부터 추출된 361개의 종단적 쌍)에서 평가된 TRACE의 성과는 다음과 같다:

• 4-클래스 성능: 매크로 F1 점수 0.4769 ± 0.1229.
• 이진 성능 (PD vs. Non-PD): 매크로 F1 점수 0.7085 ± 0.0935.
• 비교: TRACE는 데이터 효율적 CBM(DCBM) 베이스라인(0.254 매크로 F1)보다 우수한 성능을 보였으며, 발표된 비해석적 딥러닝 베이스라인(예: DenseNet 기반 모델)의 성능 범위 내에 머물렀다.
• 절제 연구 (Ablation Studies):
  • 개입-일관성 학습을 제거했을 때 성능이 급격히 하락했다(특정 폴드에서 4-클래스 F1이 0.696에서 0.354로 감소). 이는 이 학습의 결정적인 역할을 강조한다.
  • 전문가 DAG를 평면적인 이분 그래프로 교체하거나 결정론적 유도 체인을 제거했을 때도 상당한 성능 저하가 발생하여, 구조화된 인과 그래프의 필요성을 확인했다.
• 개입 실험: 테스트 시점에 루트 개념(예: 종양 부피)을 수정하면 결정론적 노드를 통해 최종 예측이 (예: CR에서 PD로) 바뀌는 현상이 성공적으로 나타났으며, 이는 모델의 감사 가능성(auditability)을 입증한다.

5. 의의 및 주장

본 논문은 TRACE를 투명하고 구조화된 개념 추론을 향한 탐색적 단계로 규정한다. 그 의의는 다음과 같다:

• 감사 가능성 (Auditability): 반응 평가를 중간 측정치(부피, SPD)를 검토하고 오류를 수정할 수 있는 구조화된 추론 문제로 프레임화하며, 수정 사항이 자동으로 최종 진단에 업데이트되도록 한다.
• 임상적 정렬: 병목 구간에 RANO 2.0 로직을 하드코딩함으로써, 암시적 상관관계를 학습하는 블랙박스 모델과 달리 실제 임상에서 사용되는 명시적 기준을 준수한다.
• 디자인 패턴: 저자들은 이 아키텍처가 명시적인 임상 기준, 시간적 변화, 인간이 검증 가능한 중간 측정값에 의존하는 다른 종단적 의료 영상 작업에 대한 디자인 패턴 역할을 할 수 있다고 제안한다.

저자들은 희귀 클래스(CR 및 PR)에 대한 성능이 작은 데이터셋 크기로 인해 제한적임을 언급하며, 보다 넓은 임상 도입을 위해 더 큰 규모의 프로토콜 준수 데이터셋에서의 외부 검증이 필요하다고 언급하며 겸허한 입장을 유지하고 있다. 또한, 모델이 해석 가능성을 높이기는 하지만, 루트 개념(특히 기저치 측정치)의 추정은 향후 과제로 남은 도전 과제임을 인정하고 있다.