Enhancing Clinical Decision Support Through Explainable AI: A Comparative Study of CNN and Vision Transformer Models for Skull Fracture Detection in CT Scans

당신이 잠긴 방 안의 미스터리를 풀려는 탐정이라고 상상해 보세요. 의학의 세계에서 그 방은 인간의 머리이며, 미스터리는 충격이나 낙상으로 인해 발생한 두개골의 숨겨진 균열입니다. 부수는 과정 없이 내부를 보기 위해 의사들은 CT 스캔이라는 특별한 종류의 X-레이를 사용합니다. 이는 마치 책의 페이지들처럼 뇌의 얇은 단면들을 수백 장 찍어내는 것과 같습니다. 하지만 그 모든 페이지를 읽는 것은 매우 고된 작업입니다. 때때로 균열이 너무 가늘고 까다로워서 일반적인 뼈의 선처럼 보이기도 하며, 숙련된 의사조차 놓칠 수 있습니다. 바로 여기서 "인공지능(AI)"이 등장합니다. AI를 몇 초 만에 모든 페이지를 읽어낼 수 있는 초고속 로봇 조수라고 생각해보세요. 하지만 여기에는 함정이 있습니다. 로봇은 종종 '블랙박스'와 같습니다. 그들은 답을 내놓지만, 왜 그렇게 생각했는지는 말해주지 않습니다. 만약 로봇이 "여기에 균열이 있습니다"라고 말하면서 정작 어디를 보고 있는지 보여주지 않는다면, 의사는 그 로로봇을 신뢰하지 않을 수도 있습니다. 이 논문은 단순히 균열을 찾는 것을 넘어, 자신이 그것을 발견한 정확한 지점을 손가락으로 가리킬 수 있는 로봇을 만드는 것에 관한 이야기입니다. 그래야 의사가 "아, 무슨 뜻인지 알겠군"이라고 말할 수 있기 때문입니다.

이 연구의 연구진들은 두 가지 서로 다른 유형의 로봇 탐정을 테스트하기로 했습니다. 하나는 전통적인 인간의 눈처럼 생각하는 모델(CNN, 구체적으로 ResNet-50)이고, 다른 하나는 현대적인 패턴 탐색형 초유기체처럼 생각하는 모델(Vision Transformer, 구체적으로 DeiT-Tiny)입니다. 그들은 어떤 로봇이 두개골 골절을 찾아내는 데 더 뛰어난지, 그리고 더 중요한 것은 어떤 로봇이 병원에서 신뢰받을 수 있을 만큼 자신의 생각을 명확하게 설명할 수 있는지를 확인하고자 했습니다.

위대한 탐정 대결

실험을 진행하기 위해 연구팀은 스리랑카의 한 병원에서 머리 부상을 입은 15명의 환자로부터 얻은 4,914장의 CT 스캔 단면을 모았습니다. 이는 거대한 도서관보다는 작은 미스터리 소설 모음집을 가지고 작업하는 것과 같아서, 로봇들에게는 더 어려운 과제가 됩니다. 그들은 이미지를 정밀하게 다듬어 뼈를 선명하게 만들었고, 그다음 두 로봇에게 골절을 찾는 법을 가르쳤습니다.

첫 번째 로봇인 ResNet-50은 아주 작은 세부 사항에 집중하는 탐정과 같습니다. 이 로봇은 이미지의 작은 조각들을 하나하나 살펴보며 모든 작은 굴곡과 선을 체크합니다. 두 번째 로봇인 DeiT-Tiny는 전체적인 그림을 한꺼번에 보기 위해 한 걸음 물러선 탐정과 같습니다. 이미지 전체의 점들을 연결하여 패턴을 찾아냅니다.

로봇들이 업무를 시작했을 때 결과는 명확했습니다. 전통적인 탐정인 ResNet-50이 더 뛰어난 발견자였습니다. 이 로봇은 약 **72.6%**의 확률로 골절을 정확히 식별해냈으며, 골절과 정상 뼈를 구분하는 능력(AUC-ROC)은 0.800이었습니다. 현대적인 탐정인 DeiT-Tiny는 조금 더 느리고 정확도도 낮았는데, 정답률은 67.3%, 점수는 0.746이었습니다. 이 차이는 단순한 우연이 아니라 수학적으로 유의미한 격차였습니다. 실제로 ResNet-50은 오보(균열이 없는데 있다고 말하는 것)를 피하는 데 훨씬 더 뛰어났던 반면, DeiT-Tiny는 약간 과하게 반응하여 균열이 없는 곳에서도 균열을 보는 경향이 있었습니다.

답변 뒤에 숨겨진 "이유"

하지만 훌륭한 탐정이 된다는 것은 단순히 답을 찾는 것만이 아닙니다. 자신의 근거를 보여주는 것도 중요합니다. 여기서 이야기가 흥미로워집니다. 연구진은 알고 싶었습니다. 로봇이 "골절"이라고 말할 때, 실제로 어디를 보고 있는가?

이를 확인하기 위해, 그들은 몇 개의 테스트 이미지에서 실제 골절 부위에 박스를 그리도록 인간 전문가에게 요청했습니다. 그런 다음, 그 박스들을 로봇들이 자신의 집중 위치를 보여주기 위해 그린 "히트맵(heatmap)"과 비교했습니다. 로봇이 이미지 위에 빛나는 구름을 그려서 자신이 생각하는 균열의 위치를 보여준다고 상상해 보세요.

여기서 전세가 약간 역전되었습니다. ResNet-50이 골절을 찾는 데는 더 뛰어났지만, DeiT-Tiny가 그것을 가리키는 데는 약간 더 나았습니다. 현대적인 로봇의 빛나는 구름이 전통적인 로봇보다 실제 골절 부위와 조금 더 겹쳤기 때문입니다. 하지만 두 로봇 모두 겹치는 정도가 여전히 매우 작았습니다. 로봇이 정확한 집 번호를 가리키는 것이 아니라, 대략적인 동네를 가리키고 있는 수준이라고 생각하면 됩니다. 수치도 낮았습니다. DeiT-Tiny의 겹침 점수는 0.021이었고, ResNet-50은 0.006이었습니다. 더 나은 성능을 보인 로봇조차 정확한 지점을 짚어내는 데는 완벽하지 않았습니다.

이것이 미래에 갖는 의미

그렇다면 결론은 무엇일까요? 이 연구는 만약 당신이 환자에게 골절이 있는지 여부를 알려줄 로봇이 필요하다면, 현재로서는 전통적인 ResNet-50이 특히 학습시킬 데이터가 많지 않은 상황에서 더 신뢰할 만한 선택이라는 점을 시사합니다. Resnet-50은 맡은 바 임무를 완수하는 노련하고 경험 많은 탐정과 같습니다. 그러나 만약 로봇이 인간의 눈에 좀 더 논리적인 방식으로 자신이 어디를 보고 있는지 보여주는 능력을 중시한다면, 실제 탐지 능력은 조금 떨어지더라도 현대적인 DeiT-Tiny가 약간의 우위를 점합니다.

연구진은 두 로봇 모두 아직 의사를 대체할 준비가 되지 않았다는 점을 주의 깊게 언급했습니다. 두 로봇 모두 실제 골절의 약 절반을 놓쳤기 때문에(재현율/Recall 약 0.49), 인간의 재검토가 여전히 필요합니다. 하지만 이 연구는 흥-미로운 트레이드오프(상충 관계)를 보여줍니다. 즉, 미스터리를 가장 잘 푸는 로봇이 자신의 추론 과정을 가장 잘 설명하는 로봇은 아닐 수도 있다는 것입니다.

연구팀은 이 로봇들이 병원의 진정한 파트너가 되기 위해서는, 더 다양한 병원의 데이터를 통해 학습시켜야 하며, 부상의 정확한 위치를 가리키는 능력을 더욱 향상시켜야 한다고 결론지었습니다. 그때까지 이들은 영상의학과 전문의가 더 자세히 살펴볼 수 있도록 의심스러운 단면을 표시해 주는, 훌륭한 '제2의 눈' 역할을 수행할 것입니다. 이를 통해 숨겨진 균열이 놓치지 않도록 보장할 수 있습니다.