⚡ electrical engineering

ConRad: Efficient Conformal Prediction for Radiomics

ConRad는 이미지 외관, 마스크 기하학, 세그멘테이션 불확실성을 활용하여 라디오믹스 특징에 대한 적응형 분포-무관 예측 구간을 구축함으로써, 다양한 의료 영상 데이터셋 전반에서 명목상의 커버리지를 거의 유지하면서도 구간 효율성을 크게 향상시키는 효율적인 컨포멀 예측 프레임워크이다.

원저자: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

게시일 2026-07-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 흐릿한 사진 속 단서들을 이용해 미스터리를 풀려는 탐정이라고 상상해 보세요. 당신에게는 피의자의 윤곽을 대략적으로 그려주는(즉, "마스크"를 만드는) 로봇 조수가 있습니다. 이 로봇은 그 윤곽을 바탕으로 "방사선학적(radiomic)" 수치를 계산합니다. 예를 들어 피의자의 모자 크기나 코트의 질감 같은 것이죠. 이 수치는 의사들이 중대한 결정을 내리는 데 도움을 줍니다.

하지만 여기 함정이 있습니다. 로봇은 완벽하지 않습니다. 때때로 로봇은 탄탄해 보이는 흔들리는 윤곽을 그리며 과하게 자신만만해지기도 합니다. 만약 당신이 단순히 로봇의 수치만 보고 "모자 크기는 10인치입니다"라고 말한다면, 당신은 틀릴 수도 있고 자신이 얼마나 틀렸는지조차 알 수 없을 것입니다. 그래서 당신에게는 "모자는 8에서 12인치 사이입니다"와 같이 가능한 값의 범위를 보여주는 안전망이 필요합니다.

오랫동안 과학자들은 이 안전망을 구축하기 위해 "블랙박스" 접근 방식을 시도해 왔습니다. 그들은 로봇이 어떻게 윤곽을 그렸는지는 무시한 채, 최종 수치만을 보고 범위를 추측했습니다. 이는 마치 바람, 습도, 구름의 모양은 무시한 채 오직 온도만을 보고 날씨를 예측하는 것과 같았습니다. 이 방식은 안전망을 너무 넓고 투박하게 만들었습니다.

여기에 새로운 방법인 ConRad가 등장했습니다. 라이스 대학교의 Matt Cheung과 그의 팀이 제안한 이 방법은 단순한 블랙박스 방식과는 다릅니다. ConRad는 단순한 탐정이 아닙니다. Con-Rad는 최종 수치만을 보는 것이 아니라, 로봇이 스케치를 하는 동안 그 스케치북을 확인합니다. ConRad는 다음과 같이 질문합니다. "윤곽이 얼마나 흔들리는가? 로봇이 가장자리 부분에서 확신이 없는가? 모양의 크기는 얼마인가?"

이러한 추가적인 단서들, 구체적으로는 로봇이 그린 그림의 경계 부근에서의 불확실성을 사용함으로써, ConRad는 그 투박한 안전망을 줄일 수 있습니다. ConRad는 가능한 답변의 범위를 훨씬 더 촘촘하고 유용하게 만들면서도, 대부분의 경우 정답을 맞히겠다는 약속을 저버리지 않습니다.

대규모 테스트 주행

이 방법이 정말 효과가 있는지 확인하기 위해, 팀은 단순히 추측하는 대신 대규모 테스트 주행을 실시했습니다. 그들은 다섯 가지 서로 다른 의료 영상 데이터셋(피부, 위 내부, 흉부 X-레이, 갑상선 초음파 사진 등)을 사용하였고, 171개의 서로 다른 방사선학적 타겟(모든 종류의 모자 크기, 질감, 모양 등)을 추적했습니다.

그들은 Con-Rad를 기존의 "블랙박스" 방식 및 이미지는 보되 흔들리는 가장자리는 무시하는 약간 더 똑똑한 버전들과 비교했습니다. 결과는 유망했습니다:

다섯 가지 데이터셋 중 네 가지에서, Con-Rad는 안전망을 현저히 좁혔습니다. 예를 들어, 갑상선 초음파 데이터(TN3K)에서 구간은 평균적으로 약 2.03% 좁아졌습니다. 피부 이미지 데이터(HAM10000)에서는 5.47% 개선되었습니다.
가장 자주 승리했습니다: 피부 이미지 사례의 **82.5%**와 흉부 X-레이 사례의 **91.3%**에서, Con-Rad는 경쟁 모델 중 가장 우수한 모델보다 더 나은(더 좁은) 범위를 제공했습니다.
정직함을 유지했습니다: 범위가 좁아졌음에도 불구하고, Con-Rad는 약속을 지켰습니다. 실제로 전체 그룹에 대해 정답을 약 **90%**의 확률로 포함했습니다 (목표값은 1 − α = 0.9로 설정됨). 실제로 171개 타겟 중 170개가 이 90% 목표치를 달성했습니다.

핵심 비결: 가장자리가 중요하다

왜 Con-Rad가 그렇게 잘 작동하는지 알아내는 과정은 매우 흥ло로운 발견 중 하나였습니다. 팀은 "이 단서를 제거하면 어떻게 될까?"라는 게임을 수행했습니다. 그들은 모양, 밝기, 그리고 예측된 수치에 대한 단서들을 하나씩 제거해 보았습니다.

그들은 경계 불확실성(boundary uncertainty), 즉 로봇의 윤곽이 가장자리 근처에서 얼마나 흔들리는지에 대한 단서가 바로 MVP(최우수 선수)라는 것을 발견했습니다. 이것이 개선 사항의 약 **40.5%**를 차지했습니다. 결국 로봇이 정확히 어디에서 혼란을 느끼는지(보통 물체의 가장자리 부분)를 아는 것이 안전망을 좁히는 데 가장 강력한 방법이라는 사실이 밝혀졌습니다. 밝기나 모양 같은 다른 단서들도 도움이 되었지만, 그만큼은 아니었습니다.

아직 하지 못하는 것들 (현재 기준)

Con-Rad가 무엇을 하지 않는지 아는 것도 중요합니다. 논문은 몇 가지 사항을 명시적으로 제외하고 있습니다:

3D를 위한 마법의 해결책은 아닙니다: 테스트는 오직 2D 이미지(평면 사진)에서만 수행되었습니다. 저자들은 3D 방사선학적 분석은 다르게 작동할 수 있다고 제안했지만, 아직 테스트를 거치지는 않았습니다.
모든 개별 사례에 대한 보장은 아닙니다: 이 방법은 전체 환자 집단에 대해 **90%**의 확률로 정답을 맞힌다는 것을 보장합니다(한계 피복률). 하지만 모든 개별 환자나 특정 하위 그룹에 대해 항상 정답을 낼 것이라고 약속하지는 않습니다. 만약 데이터가 변한다면(예: 다른 종류의 스캐너를 사용하는 경우), 이 방법은 조정이 필요할 수 있습니다.
모든 것을 한 번에 해결하지는 않습니다: 현재 Con-Rad는 각 방사선학적 타겟(예: "모자 크기" 또는 "코트 질감")을 별도로 처리합니다. 아직 복잡한 다중 부분 예측을 한꺼번에 다루지는 못합니다.

결론

Con-Rad는 그림의 가장자리에서 나타나는 로봇의 "흔들리는 손"에 주목함으로써, 의료 예측을 훨씬 더 정교하고 신뢰할 수 있게 만들 수 있음을 시사합니다. 이는 의사들이 이러한 첨단 컴퓨터 측정치를 사용할 때, 그것들을 얼마나 신뢰할 수 있는지 정확히 알 수 있게 해주는 진일보한 단계입니다. 저자들은 이 접근 방식이 다양한 유형의 의료 영상에서 잘 작동한다는 것을 발견했지만, 3D 스캔이나 복잡한 다중 타겟 시나리오를 다루기 전까지는 여전히 할 일이 남아 있음을 인정했습니다.

기술 요약: ConRad: 라디오믹스를 위한 효율적인 컨포멀 예측 (Efficient Conformal Prediction for Radiomics)

문제 정의

의료 영상 및 세그멘테이션 마스크에서 유도된 라디오믹 특징(radiomic features)은 임상적 의사결정에 매우 중요합니다. 그러나 실제 현장에서 이러한 특징들은 종종 자동화된 모델에 의해 생성된 예측 세그멘테이션 마스크로부터 계산됩니다. 이러한 세그멘테이션 모델은 과잉 확신(overconfident)하거나 보정(calibration)이 제대로 되지 않을 수 있으며, 이로 인해 유도된 라디오믹 측정값이 실제보다 더 신뢰할 수 있는 것처럼 보일 수 있습니다.

고위험 시나리오에서는 불확실성 정량화(Uncertainty Quantification, UQ)가 필수적이지만, 기존 방식들은 대개 라디오믹 측정을 단순한 스칼라 출력으로 취급하며, 그 생성 과정의 특수성을 간과합니다. 기존의 세그멘테이션을 위한 컨포멀 예측(Conformal Prediction, CP) 방법들은 주로 픽셀 수준의 불확실성이나 부피 기반 메트릭에 집중합니다. 이들은 이미지의 외형, 마스크 기하 구조, 세그멘테이션 불확실성과 같은 테스트 타임 정보를 활용하지 못하기 때문에, 비체적적(non-volumetric) 라디오믹 타겟(예: 질감, 형태, 강도 분포)에 대해 효율적이고 보정된 구간을 제공하는 데 실패합니다. 결과적으로, 직접적인 UQ 방법들은 예측된 마스크에 포함된 정보를 활용하지 못함으로써 상당한 효율성 이득을 놓칠 수 있습니다.

방법론: ConRad 프레임워크

저자들은 예측된 세그멘테이션 마스크로부터 유도된 스칼라 라디오믹 타겟에 대해 적응형(adaptive)이고 효율적인 예측 구간을 구축하도록 설계된 컨포멀 프레임워크인 ConRad를 제안합니다. 이 방법은 사례의 난이도에 따라 구간 너비를 조절하는 조건부 분위수 모델을 학습하기 위해 **컨포멀화된 분위수 회귀(Conformalized Quantile Regression, CQR)**를 활용합니다.

워크플로우

입력 정의: 사례 $i$ $i$ 에 대하여, $A_i$ $A_{i}$ 는 입력 이미지, $\hat{M}_i$ $\hat{M}_{i}$ 는 예측된 세그멘테이션 마스크(추론 시 사용 가능), $M_i$ $M_{i}$ 는 참조 마스크(학습/보정용으로만 사용)입니다. 라디오믹 추출기 $\rho$ $ρ$ 는 이미지-마스크 쌍을 스칼라 타겟으로 매핑합니다.
- 예측된 타겟: $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
- 참조 타겟: $Y_i = \rho(A_i, M_i)$
특징 구성 ( $X_i$ ): ConRad는 테스트 타임 정보만을 사용하여 특징 벡터 $X_i = (\hat{Y}_i, \hat{Z}_i)$ $X_{i} = (\hat{Y}_{i}, \hat{Z}_{i})$ 를 구성합니다. $\hat{Z}_i$ $\hat{Z}_{i}$ 는 네 가지 계열의 공변량(covariates)으로 구성됩니다:
- 기하 구조 및 위상(Geometry and Topology): 픽셀 수, 점유된 이미지 비율, 예측된 마스크 내 연결된 구성 요소의 수.
- 강도 분포(Intensity Distribution): 예측된 영역 내 이미지 강도의 통계치(평균, 표준편차, 최솟값, 최댓값, 백분위수).
- 예측된 라디오믹스(Predicted Radiomics): 예측된 라디오믹 값 자체와 형태, 1차 강도, 질감 계열에서 추출된 다른 예측 특징들.
- 경계 불확실성(Boundary Uncertainty): 확률 맵으로부터 유도된 확률 통계 및 엔트로피로, 이는 경계 밴드(마스크를 1픽셀 확장/축소하여 생성) 및 전체 영역에 대해 계산됩니다.
학습 및 보정:
- 학습: CQR은 훈련 세트에서 하한( $\hat{Q}_{\alpha/2}$ ) 및 상한( $\hat{Q}_{1-\alpha/2}$ ) 조건부 분위수 모델을 학습합니다.
- 보정: 서로 분리된 보정 세트에서 비정규성 점수(nonconformity scores) $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$ 를 계산합니다. 컨포멀 분위수 $\hat{q}$ 는 이 점수들의 $\lceil(1-\alpha)(n+1)\rceil$ 번째 순서 통계량으로 결정됩니다.
- 예측: 새로운 테스트 사례에 대해, 구간은 $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$ 가 됩니다.
이론적 보장: 보정 사례와 테스트 사례 간의 교환 가능성(exchangeability) 가정 하에, ConRad는 유한 샘플 주변부 커버리지(finite-sample marginal coverage) $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$ 를 보장합니다.

타겟 필터링

의미 있는 평가를 보장하기 위해, 저자들은 형태(shape), 1차 강도(first-order intensity), 질감/불균질성(texture/heterogeneity)의 세 가지 계열에 걸쳐 결측치, 거의 일정한 값, 또는 제로 분산을 가진 퇴화된(degenerate) 라디오믹 타겟을 제거하는 필터링 절차를 구현했습니다.

주요 기여

ConRad 프레임워크: 예측된 세그멘테이션 마스크로부터 유도된 스칼라 라디오믹 타겟을 위해 설계된 특징 적응형 컨포멀 예측 프레임워크를 공식화했습니다. 이는 효율성을 높이기 위해 세그멘테이션 출력 정보(기하 구조, 강도 및 경계 불확실성)를 명시적으로 사용합니다.
평가 프로토콜: 척도 정규화된 타겟 수준의 평가 프로토콜을 도입했습니다. 라디오믹 특징은 규모와 단위가 다양하므로, 저자들은 원시 구간 너비를 통합하는 대신 가장 강력한 베이스라인과 비교하여 타겟 수준의 승률(win rates) 및 **대칭 상대적 너비 개선(symmetric relative width improvement)**을 사용하여 효율성을 평가합니다.

실험 결과

본 방법은 피부과, 내시경, 흉부 X-선, 갑상선 초음파를 아우르는 5개의 2D 의료 영상 데이터셋(HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K)에서 평가되었습니다. 필터링 후 총 171개의 라디오믹 타겟이 유지되었습니다.

성능

효율성: ConRad는 근사한 명목 경험적 커버리지(nominal empirical coverage)를 유지하면서, 베이스라인(Split Conformal Prediction, 예측된 값만을 사용한 CQR, 일반적 특징을 사용한 CQR)에 비해 특징 수준의 구간 효율성을 개선했습니다.
- 평균 상대적 개선율: 대부분의 데이터셋에서 양의 이득이 관찰되었으며, 범위는 2.03%(TN3K)에서 5.83%(TG3K) 사이였습니다.
- 승률: ConRad는 대다수의 사례에서 가장 강력한 베이스라인을 능가했으며, 승률은 55.3%(Kvasir)에서 91.3%(COVID-QU-EX) 사이였습니다.
커버리지: 경험적 커버리지는 명목 수준인 90%( $1-\alpha$ )에 가깝게 유지되었습니다. 최소 평균 타겟별 커버리지는 89.9%였으며, 171개 타겟 중 170개가 최소 90%의 평균 커버리지를 달려 달성했습니다.
절제 연구(Ablation Study): 그룹화된 특징 절제 분석 결과, 경계 불확실성(Boundary Uncertainty) 특징이 효율성 이득의 가장 큰 기여자였으며, 평균적으로 정규화된 절제 중요도의 **40.5%**를 차지했습니다. 이는 객체 경계 근처의 세그멘테이션 불확실성이 일반적인 이미지 및 마스크 요약 이상의 보완적인 정보를 제공함을 시사합니다.

의의 및 주장

본 논문은 ConRad가 단순한 부피 기반 세그멘테이션 측정을 넘어 더 넓은 라디오믹 측정치로 메트릭 수준의 컨포멀 불확실성 정량화를 확장한다고 주장합니다. 테스트 타임의 세그멘테이션 출력 및 그 불확실성에 대한 정보를 활용함으로써, ConRad는 공식적인 커버리지 보장을 희생하지 않으면서 더 좁은 불확실성 구간을 구축합니다.

저자들은 이 방법이 효율성을 개선하지만, 특정 하위 그룹에 대한 조건부 커버리지가 아닌 교환 가능한 테스트 사례에 대한 **주변부 커버리지(marginal coverage)**를 제공한다는 점을 언급했습니다. 또한 2D 데이터셋에 집중했다는 점(3D 라디오믹은 다르게 동작할 수 있음)과 경계 불확실성을 위한 유용한 확률 맵에 의존한다는 점을 한계로 인정했습니다. 본 연구는 임상 영상 분야에서 더욱 신뢰할 수 있고 불확실성을 인지하는 라디오믹 파이프라인을 향한 단계로 자리매김하고 있습니다.