9편의 한국어 분석 — 최신순으로 정렬했어요
연합 학습(FL)은 분산된 의료 기관들이 데이터 프라이버시를 유지하며 모델 훈련에 협력할 수 있는 유망한 방법으로 주목받고 있습니다. 그러나 기존 연합 학습 방식은 중앙 집중식 집계와 빈번한 가중치 공유에 의존하여, 특히 비독립동일분포(non-IID) 조건에서 분류 및 분할을 포함하는 의료 영상 작업에서 확장성, 견고성, 프라이버시 문제를 야기합니다. 본 논문은 중앙 서버 없이 작동하며, 원시 가중치나 기울기 대신 공유된 공개 참조 데이터셋에서 계산된 온도 스케일링된 소프트 예측만을 전송하는 지식 증류 분산형 연합 학습(KD-DF…
미주신경성 실신(VVS)은 흔한 일시적 의식 소실의 원인이지만 진단에 어려움이 있습니다. 표준 진단법인 기립경 검사(HUTT)는 민감도가 제한적이며, 인공지능(AI) 기반 도구는 프라이버시 및 해석 가능성 문제로 도입이 지연되고 있습니다. 본 연구는 HUTT에서 얻은 생체 신호를 활용하여 VVS 탐지를 위한 프라이버시 보호 개념 증명 프레임워크를 탐색합니다. 총 137명의 참가자(VVS 양성 54명, 음성 83명) 데이터를 분석하여 심전도(ECG) 및 혈압 신호에서 54개 특징을 추출했습니다. 차등 프라이버시 확률적 경사 하강법(…
흉부 X선(CXR)의 광범위한 사용과 영상의학과 전문의 부족은 자동화된 CXR 분석 및 AI 보조 보고에 대한 관심을 증대시켰습니다. 기존 시각-언어 모델(VLM)은 보고서 생성이나 이상 감지와 같은 특정 작업에서 가능성을 보였지만, 대화형 진단 기능은 부족했습니다. 본 연구는 CXR 해석을 위한 작고 다중작업 대화형 VLM인 RadVLM을 제안합니다. 저자들은 100만 개 이상의 이미지-명령 쌍으로 구성된 대규모 CXR 명령 데이터셋을 구축하고 표준화했습니다. 이 데이터셋은 보고서 생성, 이상 분류, 시각적 접지(visual g…
설명 가능한 인공지능(XAI)은 의료 분야에서 신뢰 확보에 필수적임에도 불구하고, XAI 기술과 실제 임상 적용 사이에는 상당한 격차가 존재합니다. 본 연구는 이러한 격차를 해소하기 위해 임상 통합을 세 가지 상호보완적인 관점에서 접근합니다. 첫째, XAI 접근 방식을 특정 임상 작업에 매칭하는 실질적인 가이드 역할을 하는 3차원 XAI 분류 프레임워크(속성, 의존성, 범위)를 제시합니다. 둘째, 충실도와 같은 기술적 견고성과 워크플로우 정렬 및 임상의 신뢰도와 같은 임상적 유용성 측정을 균형 있게 고려하는 통합 평가 시스템을 제…
설명 가능한 인공지능(XAI)은 AI 모델의 예측 과정을 이해하기 위한 정보를 제공하도록 설계되었습니다. 의료 분야에서는 XAI가 환자부터 의료 전문가, AI 개발자에 이르기까지 다양한 이해관계자에게 모델 작동 방식에 대한 정확하고 관련성 높은 정보를 제공할 것이라는 기대가 큽니다. 그러나 이해관계자마다 '관련성 있는 정보'의 기준이 크게 다를 수 있어, 이러한 기대에 부응하는 것은 쉽지 않은 과제입니다. 많은 이해관계자에게는 인과적 설명이 중요하지만, 현재의 XAI 방법론은 이러한 인과적 정보를 제공하는 데 한계가 있습니다. 본…
최근 의료 분야에서 인공지능(AI) 도구의 활용이 증가하면서, AI 채택에 대한 논의가 활발해지고 있습니다. 특히 AI 시스템의 투명성과 신뢰성을 높이는 것을 목표로 하는 설명 가능한 AI(XAI)에 대한 관심이 커지고 있습니다. 그러나 일부 전문가들은 XAI 기술의 신뢰성에 의문을 제기하며, 의료 가이드라인 및 표준에 XAI를 포함하는 것에 우려를 표하고 있습니다. 본 논문은 이러한 비판적 시각을 재검토하고, XAI의 유용성에 대한 균형 잡힌 관점을 제시합니다. 특히 AI의 임상 적용이 갖는 특수성을 강조하며, 이를 의료 개입의…
설명 가능한 인공지능(XAI)은 의료와 같은 고위험 분야에서 사용자 신뢰를 높이는 데 필수적이라고 여겨지지만, 실제 사용자 평가보다는 자동화된 측정 방식에 의존하는 경향이 있습니다. 본 연구는 이미지 기반의 재태 연령(GA) 추정 프로토타입 XAI 모델을 적용하여, 신뢰, 의존성 및 성능에 미치는 영향을 평가하고, 적절한 의존성에 대한 새로운 측정 지표를 도입했습니다. 10명의 초음파 검사 전문가가 3단계 판독 연구를 통해 XAI 모델이 GA 추정치에 미치는 영향을 평가했습니다. 모델 예측은 임상의의 평균 절대 오차(MAE)를 2…
인공지능(AI)은 임상 의사결정 지원 시스템(CDSS)을 크게 향상시킬 잠재력이 있지만, AI 모델의 불투명성은 임상 현장에서의 채택을 가로막는 주요 장벽입니다. 이는 주로 해석 가능성 및 신뢰 문제에서 기인합니다. 설명 가능한 AI(XAI)는 모델의 추론 과정을 임상의가 이해할 수 있도록 함으로써 이러한 격차를 해소하려 하지만, 기존 XAI 솔루션은 실제 임상가의 요구사항, 워크플로우 통합, 유용성 문제를 제대로 다루지 못했습니다. 본 연구는 XAI를 CDSS에 적용하는 데 있어 지속되는 과제들(예: 부적절한 설명 방법, 최적화…
2016년 디지털 혁명 이후 인공지능(AI)은 다양한 분야에서 급성장했지만, AI의 '블랙박스' 특성은 특히 의료와 같은 중요 분야에서 심각한 우려를 낳고 있습니다. AI 시스템이 결정을 내리면서도 그 이유를 설명하지 못하는 점은 생명을 위협할 수 있는 의료 분야에서 치명적인 문제를 야기하며, 이는 생물의학 정보학 및 컴퓨팅 분야에서 활발히 논의되는 주제입니다. 이러한 문제를 해결하기 위해 설명 가능한 인공지능(XAI) 분야가 등장했습니다. XAI는 딥러닝(DL)과 같은 기존 AI 방식과 달리, 인간이 이해할 수 있는 방식으로 의…
