[논문리뷰] Towards Interpretable Foundation Models for Retinal Fundus Images

링크: 논문 PDF로 바로 열기

저자: Samuel Ofosu Mensah, Camila Roa, Kerol Djoumessi, Philipp Berens

1. Key Terms & Definitions (핵심 용어 및 정의)

• Dual-IFM: 본 논문에서 제안하는 Interpretable-by-design 성격을 갖춘 망막 안저(Retinal Fundus) 이미지용 Foundation Model입니다.
• BagNet: 입력 이미지의 작은 패치(Receptive Field)에 기반하여 예측을 수행함으로써, 모델의 의사결정 근거를 시각화할 수 있는 Class Evidence Maps를 생성하는 아키텍처입니다.
• t-SimCNE: 고차원 표현 공간을 2D로 직접 투영하는 Projection Layer를 학습시켜, 데이터셋 수준의 구조를 시각화할 수 있도록 지원하는 Self-Supervised Learning 알고리즘입니다.
• Class Evidence Maps: 특정 예측에 기여한 이미지의 국소 영역을 직접 하이라이트하여, 모델의 의사결정 과정을 투명하게 보여주는 해석 가능성 도구입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 기존 망막 이미지 분석을 위한 Foundation Model들이 가지는 불투명성(Lack of Interpretability) 문제를 해결하고자 합니다. 대부분의 최신 모델은 강력한 성능을 제공하지만, 내부 의사결정 과정을 설명하지 못하는 Black Box 형태로 존재하여 의료 분야의 High-stakes 도메인 적용에 한계가 있습니다. 기존의 사후 해석 방법론(Post-hoc Attribution Methods)은 예측 과정과 정렬되지 않아 신뢰성이 부족하다는 비판을 받습니다. 저자들은 모델의 구조적 해석 가능성과 데이터셋 수준의 표현력 검증을 동시에 달성하기 위해 Dual-IFM을 제안합니다 [Figure 1].

Figure 1 — Dual-IFM 전체 아키텍처

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 BagNet 백본과 t-SimCNE 학습 프레임워크를 결합하여, 해석 가능성과 강력한 표현 학습을 동시에 구현하는 Dual-IFM을 제안합니다. Dual-IFM은 80만 장 이상의 안저 사진을 사용하여 학습되었으며, 예측 시 각 클래스에 대한 Class Evidence Maps를 생성하여 국소적 해석 가능성을 제공합니다 [Figure 1]. 또한, 학습 과정에서 도입된 2D Projection Layer는 복잡한 사후 차원 축소 없이도 데이터셋의 전역적인 구조(예: 질환 심각도에 따른 매니폴드 형성)를 즉각 시각화할 수 있게 합니다 [Figure 2]. 실험 결과, Dual-IFM은 훨씬 큰 파라미터를 가진 RETFound와 대등한 성능을 기록하면서도, DR(Diabetic Retinopathy) 관련 병변 탐지에서 0.674의 높은 국소화 정밀도(Localization Precision)를 달성하여 RETFound의 0.384를 상회하는 우수한 해석력을 입증했습니다 [Figure 3].

Figure 2 — 2D 표현 공간 시각화

Figure 3 — 국소 해석 가능성 및 Evidence Maps

4. Conclusion & Impact (결론 및 시사점)

본 연구는 고성능 Foundation Model과 내재적 해석 가능성(Inherent Interpretability)이 상충하지 않음을 실증적으로 증명하였습니다. Dual-IFM은 의료 진단 시 필요한 투명성을 제공하는 동시에, 데이터셋의 구조적 통찰을 효과적으로 전달함으로써 임상 환경에서의 배포 가능성을 높였습니다. 본 모델은 향후 다양한 의료 모달리티에 적용될 수 있는 경량화된 해석적 모델 구축의 표준을 제시하며, 학계와 산업계 전반에 걸쳐 의료 AI의 신뢰성을 확보하는 데 중요한 기여를 할 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.