증거로서의 유사도: 해석 가능하고 라벨 효율적인 의료 능동 학습을 위한 과신된 VLM 캘리브레이션
Similarity-as-Evidence: Calibrating Overconfident VLMs for Interpretable and Label-Efficient Medical Active Learning
능동 학습(Active Learning, AL)은 라벨링을 위해 가장 유익한 샘플만을 선택함으로써 의료 영상의 어노테이션 비용을 줄이지만, 라벨링된 데이터가 부족할 때 콜드 스타트(cold-start) 문제로 어려움을 겪습니다. 비전-언어 모델(VLM)은 제로샷(zero-shot) 예측을 통해 콜드 스타트 문제를 해결하지만, 온도 스케일링된 소프트맥스(softmax) 출력은 내재된 불확실성을 무시한 채 텍스트-이미지 유사도를 결정론적 점수로 취급하여 과신(overconfidence)을 초래합니다. 이러한 과신은 샘플 선택을 잘못 유도하여 유익하지 않은 사례에 어노테이션 예산을 낭비하게 만듭니다. 이러한 한계를 극복하기 위해, Similarity-as-Evidence(SaE) 프레임워크는 유사도 벡터를 증거로 재해석하고 라벨에 대한 디리클레 분포(Dirichlet distribution)를 매개변수화하는 유사도 증거 헤드(Similarity Evidence Head, SEH)를 도입하여 텍스트-이미지 유사도를 캘리브레이션(calibration)합니다. 약한 신호 하에서도 확신에 찬 예측을 강제하는 표준 소프트맥스와 달리, 디리클레 공식화는 증거 부족(공허성, vacuity)과 상충되는 증거(불협화음, dissonance)를 명시적으로 정량화하여 경직된 소프트맥스 정규화(normalization)로 인한 과신을 완화합니다. 이를 기반으로 SaE는 이중 요소 획득 전략을 채택합니다. 초기 라운드에서는 커버리지를 보장하기 위해 고공허성 샘플(예: 희귀 질환)을 우선시하고, 후반 라운드에서는 경계를 미세 조정하기 위해 고불협화음 샘플(예: 모호한 진단)을 우선시하여 임상적으로 해석 가능한 선택 근거를 제공합니다. 20%의 라벨 예산을 사용한 10개의 공개 의료 영상 데이터셋(dataset) 실험에서 SaE는 82.57%의 최고 수준(SOTA) 매크로 평균 정확도를 달성했습니다. 대표적인 BTMRI 데이터셋에서 SaE는 0.425의 음의 로그 가능도(NLL)를 기록하며 우수한 캘리브레이션 성능도 달성했습니다.