GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

기술 요약: GRC-ProbNet – 심혈관 질환 분류를 위한 불확실성 인지형 특징 추출

문제 정의
심혈관 질환(CVD)은 여전히 전 세계 사망의 주요 원인이며, 효율적인 진단 도구가 절실히 필요하다. 딥러닝은 심장 CT 스캔으로부터 CVD를 자동 검출하는 기술을 발전시켜 왔으나, 기존 파이프라인은 대개 결정론적(deterministic) 세그멘테이션 마스크에 의존한다. 이러한 결정론적 출력은 심장 해부학적 구조에 내재된 모호성과 판독자 간 변동성을 포착하지 못한다. 결과적으로, 표준 파이프라인은 중간 단계의 해부학적 해석에 대한 신뢰도를 하위 분류 작업으로 전달하는 능력이 부족하며, 이는 중간 해석의 유효성을 제한한다.

방법론
저자들은 기존의 하이브리드 GRC-Net 파이라인의 확장판인 GRC-ProbNet을 제안한다. 단일 결정론적 세그멘테이션에 의존하는 이전 모델과 달리, GRC-ProbNet은 불확실성 인지 프레임워크를 다음과 같은 4단계 모듈형 파이프라인에 통합한다:

1. 앙상블 세그멘테이션 (Ensemble Segmentation): 단일 모델 대신, 시스템은 주어진 입력 CT에 대해 여러 가능한 세그멘테이션 마스크를 생성하기 위해 서로 다른 랜덤 시드(seed)를 가진 다섯 개의 독립적으로 미세 조정된 Anatomix 모델로 구성된 딥 앙상블을 사용한다.
2. 레지스트레이션 및 아틀라스 구축 (Registration and Atlas Construction): 이 다중 마스크들은 고정된 Atlas Image-and-Spatial Transformer Network (Atlas-ISTN)를 통해 처리된다. 이 단계에서는 세그멘테이션을 인구 기반의 건강한 아틀라스에 등록하여 변형 필드(deformation fields)와 워프된 확률 맵(warped probability maps)을 생성한다.
3. 불확실성 정량화 (Uncertainty Quantification): 시스템은 앙상블 멤버 간의 불일치를 기반으로 복셀 수준(voxel-level)의 불확실성 맵을 계산한다. 이는 예측 불확실성을 세 가지 특정 표현으로 분해한다:
   • 전체 예측 엔트로피 (Total Predictive Entropy, $H$): 알레아토리(aleatoric, 데이터 노이즈) 및 에피스테믹(epistemic, 모델 지식) 불확실성을 모두 포착한다.
   • 에피스테믹 불확실성 (Epistemic Uncertainty, Jensen-Shannon Divergence): 개별 시드 예측과 합의된 평균 사이의 Kullback–Leibler (KL) 발산을 통해 도출되며, 모델의 불일치를 측정한다.
   • 알레아토리 불확실성 (Aleatoric Uncertainty): 전체 엔트로피에서 에피스테믹 성분을 차감하여 계산하며, 내재된 데이터의 모호성을 분리한다.
4. 특징 추출 및 분류 (Feature Extraction and Classification): 파이프라인은 각 심장 구조에 대해 세 가지 유형의 특징을 추출한다:
   • 라디오믹 특징 (Radiomic Features): 세그멘테이션 마스크 내의 CT 강도(intensity)로부터 도출된 107개의 특징(강도 통계, 형상 기술자, 질감 등).
   • 기하학적 특징 (Geometric Features): 건강한 아틀라스에 대한 변형 필드로부터 도출된 구조당 3개의 특징.
   • 불확실성 특징 (Uncertainty Features): 불확실성 맵은 전역(Global) 방식(모든 복셀에 대해 평균화) 또는 구조별(Per-Structure) 방식(특정 해부학적 영역 내에서 평균화)의 두 가지 전략을 사용하여 이미지 수준의 특징으로 집계된다.
     이러한 특징들은 결합되어 최종 CVD 분류를 위한 다층 퍼셉트론(MLP)에 입력된다.

주요 기여

• 프레임워크 도입: 본 논문은 불확실성 표현(엔트로피, KL 발산, 알레아토리 맵)을 라디오믹 및 기하학적 특징 추출 단계로 전달하는 하이브리드 파이프라인인 GRC-ProbNet을 소개한다.
• 체계적 평가: 저자들은 다양한 불확실성 유형(전체, 에피스테믹, 알레아토리)과 인코딩 전략(전역 vs 구조별)을 결정론적 베이스라인과 체계적으로 비교한다.
• 불확실성 효용성에 대한 새로운 발견: 본 연구는 세그멘테이션 오류와 가장 높은 상관관계를 보이는 불확실성 지표가 반드시 하위 분류 성능에서 최상의 결과를 내는 것은 아니라는 점을 입증한다.

결과
실험은 세그멘테이션/불확실성 평가를 위해 MM-WHS 데이터셋을, 하위 CVD 분류를 위해 ASOCA 데이터셋을 사용하여 수행되었다.

• 불확실성 vs 세그멘테이션 오류: MM-WHS 데이터셋에서, **전체 엔트로피(Total Entropy)**가 세그멘테이션 오류와 가장 강력한 상관관계(정규화된 교차 상관 계수 0.521)를 보였으며, 알레아토리 불확실성이 그 뒤를 이었다. **KL 발산(에피스테믹)**은 가장 낮은 상관관계(0.408)를 보였다.
• 분류 성능: ASOCA 데이터셋에서, 불확실성이 증강된 모델들은 일반적으로 결정론적 베이스라인(GRC-Net, AUROC 91.25%)보다 우수한 성능을 보였다.
  • 인코딩 전략: 구조별 불확실성 인코딩이 전역 스칼라 인코딩보다 일관되게 우수한 성능을 보였다.
  • 최고 성능: **구조별 인코딩을 적용한 KL 발산(K.S.)**이 **92.92%**의 가장 높은 AUROC를 달성하여, 엔트로피 기반 변형 모델(E.S. 92.71%)을 소폭 앞질렀다.
• 핵심 통찰: 엔트로피는 어디에서 세그멘테이션 오류가 발생하는지를 가장 잘 예측했지만, KL 발산은 질병 분류를 위한 가장 강력한 신호를 제공했다. 저자들은 엔트로피가 건강한 경우와 질병이 있는 경우 모두에서 공통적으로 나타나는 경계의 모호성에 의해 지배되는 반면, KL 발산은 결정 경계 근처에 위치한 병리적 해부학 구조에 더 특이적인 모델의 불일치를 포착한다고 설명한다.

의의 및 주장
본 논문은 GRC-ProbNet이 불확실성 특징을 활용함으로써 CVD 분류 성능을 실질적으로 개선(AUROC 92.92% vs 91.25%)한다고 주장한다. 주요 의의는 불확실성을 어떻게 인코딩하느냐가 포함 여부만큼 중요하다는 점에 있다. 구체적으로:

1. **구조별 인코딩(Structure-specific encoding)**은 전역 요약 방식에서 손실되는 필수적인 공간 정보를 보존한다.
2. 불확실성 지표는 서로 다른 목적을 수행한다: 세그멘테이션 품질(오류 국소화)을 가장 잘 반영하는 지표가 반드시 하위 임상 작업에 대한 최적의 예측 인자는 아니다.
3. 파이프라인 설계: 이 접근 방식은 딥러닝과 비-딥러닝 단계 사이에 명시적인 특징 추출이 발생하는 하이브리드 의료 영상 파이프라인에 특히 유효하며, 이를 통해 불확실성을 엔드 투 엔드(end-to-end) 모델에 흡수시키는 대신 최종 분류 전 단계에서 명시적으로 표현할 수 있게 한다.

저자들은 향후 연구 과제로 더 큰 코호트 확보, 판독자 간 변동성 모델링을 위한 다수 전문가 주석(annotator)의 통합, 그리고 레지스트레이션 단계를 통한 불확실성 전파에 대한 추가 조사를 제안하며 결론을 맺는다.