의료 영상 AI 해석력: PLI와 Grad-CAM 비교

본 연구는 의료 영상 진단 시 AI 모델의 투명성과 진단 정확도를 높이기 위해 새로운 Pixel-Level Interpretability(PLI) 모델을 제안한다. 기존 Grad-CAM 모델의 한계를 극복하고, 더욱 세밀한 해석력과 정밀한 병변 위치 파악을 목표로 한다. 연구 방법론으로 VGG19 CNN 아키텍처를 활용했으며, 1,000개 이상의 레이블링된 COVID-19 흉부 X선 공개 데이터셋 3종을 사용했다. 데이터는 크기 조정, 정규화, 증강을 거쳐 모델의 견고성과 일반화 능력을 확보했다. PLI 모델의 성능은 Grad-CAM과 비교하여 해석력, 구조적 유사성(SSIM), 진단 정밀도, 평균 제곱 오차(MSE), 계산 효율성 등의 핵심 지표로 평가되었다. 실험 결과, PLI는 모든 측정 지표에서 Grad-CAM보다 우수한 성능을 보였다. PLI는 더 높은 SSIM 점수, 낮은 MSE, 빠른 추론 시간을 가진 상세한 픽셀 수준 히트맵을 생성하여, 계산 효율성을 유지하면서 국소 진단 특징에 대한 미세한 통찰력을 제공했다. 반면, Grad-CAM의 설명은 임상적 신뢰성에 필요한 세밀함이 부족했다. 퍼지 로직을 통합하여 시각적 및 수치적 설명을 강화한 PLI는 임상 기대치에 부합하는 해석 가능한 출력을 제공함으로써 의료진이 더 높은 신뢰도로 정보에 입각한 결정을 내릴 수 있도록 돕는다. 이 연구는 PLI가 AI 모델 투명성과 임상적 유용성 간의 격차를 해소하는 강력한 도구임을 입증하며, 의료 분야 AI 통합을 발전시키고 다른 고위험 분야로의 광범위한 적용을 위한 기반을 마련한다.