COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images

기술 요약: COGENT

문제 정의
CT 및 MRI와 같은 볼륨형 영상(volumetric imaging)을 다루는 고위험 의료 분야에 딥러닝 모델을 배포하려면 강력한 설명 가능성(explainability)이 필요합니다. 현대적인 모델들은 최첨단 성능을 달성하고 있지만, 그 의사결정 과정은 여전히 불투명한 경우가 많습니다. 볼륨 데이터를 위한 기존의 설명 방법들은 주로 픽셀 또는 복셀 공간(이미지 공간)에서 작동합니다. 이러한 접근 방식은 장면의 근본적인 3차원 구조를 명시적으로 모델링하지 못하는 경우가 많아, 해부학적으로 해석하기 어렵거나 복잡한 공간적 의존성을 가리는 설명을 초래합니다. 또한, 많은 기술이 슬라이스 단위로 적용되어 일관된 3D 객체 구조를 포착하지 못합니다. 따라서 해부학적 일관성을 유지하고 임상적으로 의미 있는 통찰을 제공할 수 있도록, 구조화된 3D 표현 내에서 직접 작동하는 설명 프레임워크가 필요합니다.

방법론
본 논문은 COGENT(Counterfactual Gaussian Explanations for Volumetric Medical Images)를 소개합니다. 이 프레임워크는 원시 이미지 공간이 아닌, 가우시안 기반 볼륨 표현의 파라미터 공간에서 직접 반사실적 설명(counterfactual explanations)을 생성합니다. 방법론은 세 가지 핵심 구성 요소의 통합으로 이루어집니다:

1. 표현 계층 (MedGS): 이 프레임워크는 3D 가우시안 스플래팅(3D Gaussian Splatting)을 다중 모달 의료 영상으로 확장한 MedGS(Medical Gaussian Splatting)를 활용합니다. MedGS는 볼륨 의료 데이터를 명시적이고 미분 가능한 가우시안 프리미티브(Gaussian primitives)의 집합으로 표현합니다. 각 프리미티브는 공간적 위치($x_i$), 외관 계수($f_i$), 불투명도($o_i$), 스케일($s_i$), 회전($r_i$)을 포함하는 파라미터로 정의됩니다. 이는 가우시안 파라미터와 렌더링된 영상 슬라이스 사이에 완전 미분 가능한 가교를 형성합니다.
2. 다운스트림 예측기 (Sybil): 이 프레임워크는 저선량 흉부 CT 스캔에서 미래의 폐암 위험도를 직접 예측하도록 설계된 딥러닝 모델인 Sybil을 사용합니다. COGENT에서 Sybil은 고정된(frozen) 분류기로서 작동하며, 그 출력값(위험 로짓, risk logits)은 최적화 신호 역할을 합니다.
3. 반사실적 최적화 (Counterfactual Optimization):
   • 정식화: 설명 가능성을 제약된 반사실적 최적화 문제로 프레임화합니다. 목표는 어떤 가우시안 프리미티브를 수정했을 때 모델의 예측(예: 높은 위험 예측을 낮은 위험으로 변경)을 바꿀 수 있는지 식별하는 것입니다.
   • 과정: 시스템은 특정 가우시안 부분 집합(주로 해부학적 마스크나 특정 관심 영역과 교차하는 부분)을 선택합니다. **투영 경사 하강법(Projected Gradient Descent, PGD)**을 사용하여 선택된 가우시안들의 파라미터를 최적화합니다.
   • 그래디언트 흐름: 그래디언트는 고정된 Sybil 분류기에서부터 미분 가능한 렌더링 파이프라인을 거쳐 가우시안 파라미터까지 역전파됩니다.
   • 제약 조건: 최적화는 $L_\infty$ 바운드($\epsilon$)와 전역 클리핑 구간에 의해 제약되어, 섭동(perturbation)된 볼륨이 원래의 형태와 해부학적으로 유사하게 유지되도록 하고 비현실적인 아티팩트를 방지합니다.
   • 목적 함수: 손실 함수($L_{cf}$)는 비대상적(untargeted, 특정 위험 로짓을 최대화하거나 최소화) 또는 대상적(targeted, 특정 로짓 값에 일치시킴) 목표에 따라 정의됩니다.
   • 추출: 최적화 후, 프레임워크는 가장 유의미한 파라미터 업데이트가 발생한 상위 10%의 가우시안을 식별합니다. 이 프리미티브들이 설명(explanation)을 구성하며, 모델의 결정력을 주도하는 특정 구조적 및 질감적 영역을 나타냅니다.

주요 기여

• 표현 공간 프레임워크: 저자들은 MedGS 표현과 볼륨 폐암 위험 예측 모델을 연결하는 새로운 프레임워크를 도입하여, 설명 가능성을 이미지 공간에서 구조화된 3D 파라미터 공간으로 전환했습니다.
• 파라미터 공간에서의 반사실적 최적화: 본 연구는 기존의 픽셀/복셀 섭동 방식에서 벗어나, 3D 가우시안 표현의 파라미터 공간 내에서 직접 반사실적 최적화 문제로 설명 가능성을 정식화했습니다.
• 임상적으로 의미 있는 설명: 본 논문은 가우시안 공간의 반사실적 설명이 정량적 지표와 전문가 평가를 통해 검증된 바와 같이, 공간적으로 국소화되고 희소하며 해부학적으로 일관된 결과를 생성함을 입증했습니다.

결과
프레임워크는 Sybil 모델을 사용하여 폐 CT 스캔에 대해 평가되었으며, COGENT를 GradCAM, Saliency, Integrated Gradients, Input $\times$ Gradient, Kernel SHAP 및 픽셀 공간 반사실적 베이스라인과 비교하였습니다.

• 정량적 성능: COGENT는 가장 높은 국소화 점수를 기록하였으며, RRA 및 RRA_abs 값이 0.2837로 나타나 가장 강력한 고전적 베이스라인인 GradCAM(0.0805)을 크게 앞질렀습니다. 이는 병리적 영역을 식별하는 데 있어 우수한 능력을 갖추었음을 나타냅니다.
• 희소성 및 압축성: COGENT는 높은 수준의 희소성(0.6550)을 유지하여, 확산된 형태를 보이는 Kernel SHAP(0.2083)에 비해 집중된 설명을 생성했습니다.
• 섭동 안정성: 이 방법은 경쟁력 있는 Perturbation-AUC(0.0396)와 Mean-Perturbation(0.0414) 점수를 보여, 다양한 평가 기준에서 안정적인 성능을 입증했습니다.
• 정성적 및 전문가 평가: 시각적 비교 결과, COGENT는 국소화된 해부학적 수정(예: 특정 결절 타겟팅)을 생성하는 반면, 픽셀 공간 베이스라인은 흩어지고 노이즈가 많은 패턴을 보였습니다. 5점 척도의 전문가 방사선 전문의 평가에 따르면, 반사실적 설명의 **40%**가 질병 중증도의 양성 완화(악성 특성의 감쇄)에 해당하였고, 나머지 40%는 중립적인 영향을 보였습니다. 설명은 전문가가 의심스럽다고 판단할 만한 영역에 일관되게 국소화되었습니다.

의의 및 주장
본 논문은 COGENT가 명시적인 3D 장면 표현 내에 설명 가능성을 내장함으로써 볼륨 딥러닝 모델을 해석하는 새로운 관점을 제공한다고 주장합니다. 그 의의는 모델의 주의(attention)를 국소화하는 기술적 효과성뿐만 아니라, 임상적으로 의미 있고 해부학적으로 일관된 설명을 생성할 수 있다는 점에 있습니다. 가우시안 파라미터 공간에서 작동함으로써, 이 방법은 복셀 수준의 섭동에서 흔히 발견되는 해부학적 불일치를 피합니다. 저자들은 COGENT를 표현 공간 설명 가능성(representation-space explainability)의 일반적인 패러다임으로 제시하며, 볼륨형 AI 모델을 더욱 투명하고 신뢰할 수 있게 만들어 의료 의사결정을 지원할 수 있는 잠재력을 입증했습니다. 본 연구는 반사실적 파라미터 공간 설명이 방사선학적 이해와 일치하는 방식으로 모델 예측의 구조적, 질감적 근거를 효과적으로 드러낼 수 있음을 시사합니다.