기술 요약: 자연스러운 가정 내 영상을 활용한 시각-언어 기반 자폐 스크리닝을 위한 결정론적 증거 계층

1. 문제 정의

자폐 스펙트럼 장애(ASD) 진단은 전문가의 사회적 행동 관찰에 의존하며, 이는 전문 인력의 부족과 긴 대기 시간으로 인해 병목 현상을 야기한다. 가정 내 영상은 확장 가능한 행동 데이터의 원천이 될 수 있지만, 스크리닝에 사용되는 기존의 시각-언어 모델(VLM)은 불안정성 문제를 겪는다. 온도가 0(temperature 0)인 상태에서도, 동일한 VLM 기반 스크리닝 파이프라인을 반복 실행했을 때 서빙 스택의 비결정론적 특성으로 인해 16~37%의 영상에서 서로 다른 판정이 내려진다. 임상 스크리닝 도구에는 안정적 정확성(stable correctness), 즉 단순히 평균적으로 맞히는 것이 아니라 모든 실행에서 해당 클립을 정확하게 라벨링하는 능력이 필요하다. 또한, 기존 방식들은 고정된 모델을 사용할 경우 미세한 임상적 행동을 포착하지 못하거나, 임상의가 평가한 데이터로 미세 조정(fine-tuning)을 요구하는데, 이는 구조화되지 않은 프로토콜 프리(protocol-free) 가정 영상에 대한 일반화 능력을 제한한다.

2. 방법론

제안된 파이프라인은 학습이 필요 없는(training-free) 방식이며, 지각(perception)과 의사결정(decision-making)을 세 가지 별도의 단계로 분리하여 최종 판정이 저장된 증거 테이블의 결정론적 함수가 되도록 보장한다.

1단계: 근거 기반 지각 (고정된 VLM)

고정된 VLM(Gemini 3.1 Pro)은 고재현율(high-recall) 지각 프런트엔드 역할을 수행한다. 이 모델은 기대 편향(expectation bias)을 방지하기 위해 아동의 연령에 대한 정보 없이 가공되지 않은 가정 영상을 처리한다.

• 근거 기반 지각 제약: 모델은 모든 관찰 내용이 특정 시간 간격과 연결되어야 하는 타임스탬프가 찍힌 이벤트 테이블을 생성하도록 프롬프트가 구성된다.
• 행동 용어집: 모델은 11가지 ASD 관련 특징(예: 시선 접촉, 공동 주의 집중, 상동 행동)으로 구성된 임상적으로 정렬된 용어집을 사용한다.
• 반증(Counter-Evidence): 전형적인 행동(예: 반응적인 미소)은 명시적인 반증 행으로 기록된다.
• 압박 규칙(Press Rules): "프로브 게이팅(probe-gated)" 특징(예: 이름 부르기에 대한 반응)의 경우, 특정 사회적 "압박"(예: 이름을 부름)이 발생했음에도 아동이 반응하지 않은 경우에만 결핍으로 코딩한다. 압박이 없는 상태에서의 부재는 코딩하지 않는다.
• 출력: 타임스탬프, 관찰 가능한 설명, 용어 레이블, 신뢰도 수준(확실함/가능성 있음)을 포함한 구조화된 이벤트 테이블.

2단계: 텍스트 전용 연령 보정

영상을 전혀 보지 않는 텍스트 전용 모델이 이벤트 테이블과 아동의 연령을 전달받는다.

• 삭제 금지 규칙(Never-Erase Rule): 이 단계에서는 행을 삭제하거나 신뢰도를 높일 수 없다. 오직 발달 규범에 따라(예: 2세 아동의 단독 놀이) 신뢰도를 낮추거나(예: "확실함"에서 "가능성 있음"으로), 집계된 테이블을 바탕으로 전반적인 특징(#4)을 추가할 수만 있다.
• 출력: 발달 규범에 맞춰 가중치가 조정된 보정된 이벤트 테이블.

3단계: 결정론적 증거 가중치 계산기

학습되지 않은 고정 알고리즘이 보정된 테이블을 리스크 점수로 변환한다.

• 점수 산출 메커니즘: 관찰된 특징들의 로그 양의 가능도비($\ln LR+$) 가중치를 합산한다.
• 제약 조건:
  • 사회적 의사소통(SC) 특징은 포화를 방지하기 위해 1.5 nats로 제한된다.
    \ * 제한적/반복적(RRB) 특징은 전체를 합산한다.
  • 신뢰도 계수($c_f$)는 가중치를 조절한다 (확실함은 1.0, 연령 보정된 '가능성 있음'은 0.25).
• 의사결정 규칙: 총점($s$)은 두 개의 고정된 컷오프 값에 따라 계층화된다.
  • 저위험(Low Risk): $s < 1.5$
  • 중간/고위험(스크린 양성): $s \ge 1.5$ (고위험은 $s \ge 1.8$)
• 감사 가능성(Auditability): 모든 결정은 개별 특징별 기여도로 분해되므로, 모델 호출 없이도 재점수가 가능하다.

3. 주요 기여

1. 감사 가능하고 학습이 필요 없는 아키텍처: 본 시스템은 근거 기반 관찰과 결정론적 증 evidencia 기반 의사결정을 분리한다. 백본이나 의사결정 계층을 미세 조정하지 않고도 구조화된 이벤트 테이블과 고정된 계산기에 의존하여 높은 성능을 달 achieves 한다.
2. 근거 기반 지각 제약: 시간적 근거 제시, 명시적 반증 기록, 사회적 결핍을 위한 "압박" 규칙을 강제함으로써, 제약 없는 VLM 프롬프팅에 비해 특이도와 F1 점수를 유의미하게 향상시킨다.
3. 안정적 정확성 프레임워크: 논문은 임상 도구로서 "안정적 정확성"(모든 실행에서 올바르게 라벨링된 클립의 비율)을 핵심 지표로 도입한다. 제안된 파이프라인은 의사결정 로직을 확률적 서빙 스택에서 제거함으로써, 제로샷 베이스라인의 60.5%보다 훨씬 높은 74.4%의 안정적 정확성을 달성한다.

4. 실험 결과

파이ف라인은 미취학 아동(26~48개월)의 43개 보호자 기록, 프로토콜 프리 가정 영상 클립(ASD 12개, 전형적 발달 31개)을 대상으로 평가되었다.

• 성능 지표 (전체 파이프라인):
  • AUC: $0.851 \pm 0.012$
  • 정확도(Accuracy): $86.0\%$
  • 특이도(Specificity): $94.6\%$
  • 재현율(Recall): $63.9\%$
  • F1 Score: $71.8$
• 안정성: 3회 실행 결과, 전체 파이프라인은 **74.4%**의 클립을 모든 실행에서 정확하게 라벨링했다. 이는 제로샷 베이스라인의 60.5%와 비교된다.
• 위양성(False Positives): 모든 실행에서 전형적 발달(TD) 클립이 양성으로 분류된 사례는 없었다(0/31). 반면, 제로샷 베이스라인은 9/31의 TD 클립을 매 실행마다 양성으로 분류했다.
• 절제 연구(Ablation Study):
  • 단일 호출 VLM에서 2단계 분리 방식으로 전환 시 정확도가 69.0%에서 77.5%로 향상되었다(특이도에 의한 상승).
  • 근거 기반 지각 제약을 추가함으로써 정확도가 81.4%로 더욱 향상되었다.
  • LLM 판정을 결정론적 계산기로 교체함으로써 최종 86.0%의 정확도와 71.8의 F1을 달성했다.
• 실패 분석: 시스템은 모든 실행에서 3개의 ASD 클립을 놓쳤는데, 이 클립들은 이벤트 테이블이 거의 비어 있는 상태였다. 이는 병목 현상이 의사결정 로직이 아닌 초기 지각(1단계)에 있음을 나타낸다.

5. 의의 및 주장

본 논문은 안정성이 임상적 유용성의 전제 조건이라고 주장한다. 동일한 실행 간에 판정이 변하는 스크리닝 결정은 임상 도구로서 적합하지 않다. 의사결정 로직을 확률적 모델에서 분리하여 저장 및 감사가 가능한 증거 테이블 기반의 결정론적 산술 계층으로 이동시킴으로써, 시스템은 다음을 달성한다:

• 재현성: 모델을 다시 실행하지 않고도 점수를 재계산하고 검증할 수 있다.
• 투명성: 모든 "스크린 양성" 판정은 특정 타임스탬프가 찍힌 행동 사건과 반증 데이터로 추적 가능하다.
• 조정 가능성: 컷오프 임계값을 변경하여 운영 지점(재현율 vs 특이도)을 조정할 수 있으며, 이를 통해 재학습 없이도 rule-in 또는 rule-out 시나리오에 맞춰 조정할 수 있다.

저자들은 샘플 크기가 작다는 점(43개 클립), 단일 사이트 데이터라는 점, 그리고 현재의 재현율 상한선(75%)이 구조화되지 않은 가정 영상 내 미세한 결핍을 탐지하는 지각 단계의 능력에 의해 제한된다는 점 등 한계를 인정한다. 본 연구는 이 파이프라인를 확정적 진단 도구가 아닌, 전문가 진단을 기다리는 가족들을 위한 선별(triage) 단계로 위치시킨다.