Discovery Radiomics with CLEAR-DR: Interpretable Computer Aided Diagnosis of Diabetic Retinopathy
원문 초록
Objective: Radiomics-driven Computer Aided Diagnosis (CAD) has shown considerable promise in recent years as a potential tool for improving clinical decision support in medical oncology, particularly those based around the concept of Discovery Radiomics, where radiomic sequencers are discovered through the analysis of medical imaging data. One of the main limitations with current CAD approaches is that it is very difficult to gain insight or rationale as to how decisions are made, thus limiting their utility to clinicians. Methods: In this study, we propose CLEAR-DR, a novel interpretable CAD system based on the notion of CLass-Enhanced Attentive Response Discovery Radiomics for the purpose of clinical decision support for diabetic retinopathy. Results: In addition to disease grading via the discovered deep radiomic sequencer, the CLEAR-DR system also produces a visual interpretation of the decision-making process to provide better insight and understanding into the decision-making process of the system. Conclusion: We demonstrate the effectiveness and utility of the proposed CLEAR-DR system of enhancing the interpretability of diagnostic grading results for the application of diabetic retinopathy grading. Significance: CLEAR-DR can act as a potential powerful tool to address the uninterpretability issue of current CAD systems, thus improving their utility to clinicians.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
검증자가 정답을 유출할 수 있다: 폐루프 에이전트 디버깅에서 최적화에 앞선 진단 가능성
A Verifier Can Leak the Answer: Diagnosability Before Optimization in Closed-Loop Agent Debugging
에이전트(agent) 개발자들은 시뮬레이터 기반 검증자(verifier)를 통해 프롬프트, 도구, 정책 및 진단 알고리즘을 비교하는 방식을 점점 더 많이 활용하고 있습니다. 그러나 검증자는 솔버(solver) 비교를 무의미하게 만들 수도 있습니다. 즉, 검증자의 프로브(probe)나 술어(predicate)가 타깃의 식별 정보를 인코딩하고 있다면, 정확한 옵티마이저(optimizer)는 어떠한 실질적인 모호성도 해결하지 못한 채 효과적인 것처럼 보일 수 있습니다. 본 연구에서는 폐루프(closed-loop) 의사결정 에이전트를 위한 집계 트레이스 디버거에서 발생하는 이러한 실패 사례를 보고합니다. 정확한 최소 적중 집합(Minimum Hitting Set, MHS)과 전파 인식 탐욕 알고리즘(propagation-aware greedy method)은 12개 개발 사례 모두에서 동일한 지지 집합(support)을 반환했으며, 9/12 사례에서 동일한 주입 결함(planted fault) 복구를 달성했습니다. 후속 감사 결과, 정확한 앵커(exact-anchor) 술어가 9/9 사례에서 주입된 쌍을 생성한 것으로 확인되었습니다. 해당 앵커들을 제거한 후 전체 주입 쌍 복구율은 8/9였습니다. 그럼에도 불구하고 하드 프로브 싱글톤(hard-probe singleton) 쌍은 9/9 사례에서 주입된 쌍과 일치했으며, 전파 후 비어 있지 않은 잔여 충돌군(residual conflict family)이 유지된 사례는 전무했습니다(0/9). 옵티마이저는 올바르게 작동했으나, 검증자가 이미 정답을 노출하고 있었던 것입니다. 이에 본 논문에서는 솔버 우선 평가 방식을 지지 집합 기반 게이팅(support-gated) 검증 규약으로 대체합니다. 먼저 클린 참조 맵(clean reference map)을 통해 반복적인 컴포넌트 노출을 입증해야 하며, 그다음 일치된 참조/현재 게이트를 통해 비교 가능한 런타임 증거를 확립해야 하고, 그 이후에만 독립적으로 보정된 신호 규칙이 탐지 결과를 반환할 수 있습니다. 1,440개의 사례와 21,600개의 파티션 행으로 구성된 사전 등록된 홀드아웃(heldout) 평가에서, 55/72 체제-컴포넌트(regime-component) 단위가 참조 게이트를 통과했고, 54/55가 런타임 게이트를 통과했으며, 표현된 컴포넌트의 안정적 위허용(stable false admission)은 단측 정확 95% 상한선 0.1391과 함께 0/20을 기록했습니다. 승인된 단위 내에서는 영향을 받은 정상 트래픽이 공칭 결함 셀 비율(nominal fault-cell fraction)보다 탐지를 더 잘 예측했습니다. 본 연구의 핵심적인 구조적 교훈은 컴포넌트 선택기를 최적화하기 전에 증거의 적격성과 비공개성(non-revelation)을 먼저 검증해야 한다는 점입니다. 그렇지 않으면 더 강력한 솔버가 단지 더 강력한 검증자 아티팩트(artifact)를 인증하는 것에 불과할 수 있습니다.
SCOPE-AD: 진단 에이전트를 위한 에너지 기반 모델 기반 순차적 비용 인지 순서-신념 계획
SCOPE-AD: Sequential cost-aware ordinal-belief planning with energy-based models for diagnostic agents
알츠하이머병(AD) 진단은 서로 다른 검사 비용과 환자 부담 속에서 순차적인 증거 수집을 필요로 합니다. 고정된 양식(fixed-modality)을 사용하는 예측 모델은 어떤 검사를 수집해야 할지, 혹은 언제 확보된 증거가 진단에 충분한지를 함께 결정하지 못합니다. 본 논문에서는 인지 정상(CN), 경도 인지 장애(MCI), 알츠하이머병 사례의 비용 인지 분류를 위한 SCOPE-AD(Sequential Cost-Aware Ordinal-Belief Planning with Energy-Based Models for Diagnostic Agents)를 제안합니다. 마스크 인지 순서 모델은 순서화된 CN-MCI-AD 연속선 상의 불확실성을 표현합니다. 후향적 학습 기록은 에너지 기반 티처를 위한 표본화된 벨만 목표를 제공하며, 이 티처의 행동 분포는 Qwen 정책으로 증류됩니다. 실제 배포 환경에서 에이전트는 미수집된 값에 접근하지 않고 가용성 및 예산 제약 조건 하에서 수집 또는 진단 행동을 선택합니다. 각 수집 단계 후에는 다음 결정을 내리기 전에 증거와 순서-신념이 업데이트됩니다. ADNI 데이터셋에서 SCOPE-AD는 평균 수집 비용 $50.46로 77.70%의 Macro-F1을 달성하여, 평가된 가장 강력한 기준선보다 9.34%포인트 높은 성능을 기록했습니다. 모든 양식을 활용한 평가는 수집 비용을 116.7배 증가시키면서도 Macro-F1은 단 1.89%포인트 올리는 데 그쳤습니다. 이러한 결과는 비용 효율적인 진단을 위한 선택적 수집 전략을 뒷받침합니다.
SynSeq: 관상동맥 조영술 비디오 기반의 엔드투엔드 SYNTAX 점수 예측
SynSeq: End-to-End SYNTAX Score Prediction from Coronary Angiography Videos
SYNTAX 점수는 관상동맥 질환을 평가하고 혈관재개통술 치료 결정을 안내하는 데 널리 사용되는 도구입니다. 그러나 임상 전문가가 관상동맥 조영술 비디오를 통해 이를 수동으로 추정하는 방식은 시간이 많이 소요되며 판독자 간 변동성(inter-reader variability)의 영향을 받습니다. 머신러닝이 이 과정을 자동화하는 데 유망한 가능성을 보여주었지만, 기존 연구는 주로 병변 검출, 특성화 또는 이진 질환 분류에 집중되어 있어 직접적인 SYNTAX 점수 예측은 상대적으로 거의 연구되지 않았습니다. 본 논문에서는 직접적인 SYNTAX 점수 예측을 위한 비디오 기반 방법인 SynSeq을 제안합니다. SynSeq은 맞춤형 전처리와 함께 영과잉(zero-inflation)을 고려한 손실 및 선형 타깃 스케일링을 활용하는 맞춤형 학습 전략을 결합합니다. 공개 CardioSyntax 데이터셋에서 평가한 결과, SynSeq은 이전 최신(state-of-the-art) 방법들을 크게 능가하여 $R^2$를 0.55 향상시키고 예측 바이어스를 93.1% 줄였으며, 세 명의 독립적인 전문가 평가자의 주석 전반에서 더욱 일관된 성능을 달성했습니다. 또한, SynSeq은 혈관재개통술 치료 권고에서 가중 $F_1$-점수 0.80을 달성하여 전문가 간 일치도보다 약간 낮은 수준을 보였습니다. 이러한 결과는 SynSeq이 일관되고 자동화된 SYNTAX 점수 평가를 제공하며 관상동맥 혈관재개통술 계획을 위한 신뢰할 수 있는 의사결정 지원을 제공할 수 있는 잠재력을 입증합니다.
알고리즘 쇼핑: 에이전트 AI가 인간 휴리스틱을 대리 소비자로 활용하는 방식
Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer
소비자들은 점점 더 구매 결정을 대리 소비자 역할을 하는 대규모 언어 모델(LLM)에 위임하고 있다. 제품 속성을 비용이 드는 도구 호출 뒤에 두는 정보 보드(information-board) 과정 추적(process tracing)의 변형인 "Tool-Lab"을 사용하여, 마케팅 가격 단서(즉, just-below pricing과 프로모션 프레이밍)가 AI 쇼핑 에이전트에 어떻게 영향을 미치는지 살펴본다. 세 제공업체의 상용 배포 LLM 8개에 걸쳐 선택 전 정보 획득을 추적했다. 비용이 없을 때는 가격 단서가 거의 오도하지 않는다. 모호한 목표 프롬프트 하에서 정보 획득 비용을 부과하면 LLM은 단위 가격 계산에 필요한 진단적 속성을 생략하고 인간 휴리스틱을 닮은 차선 선택을 하게 된다. 진단적 탐색과 선택 최적성을 대체로 유지하는 구체적 목표 프롬프트에 비해, 제약 조건 하의 모호한 목표 프롬프트는 탐색을 매개로 한 취약점을 만든다. 본 연구는 위임형 AI 쇼핑에서 마케팅 휴리스틱이 반드시 불변적인 LLM 결함 때문이 아니라 상점프론트 정보 아키텍처에 의해 좌우됨을 보여준다.
WidgetVA: 에이전트형 시각 분석을 위한 위젯 중심 프레임워크 및 벤치마크
WidgetVA: A Widget-Centric Framework and Benchmark for Agentic Visual Analytics
시각 분석(VA)은 상호작용적 시각화를 통해 의미 구성(sensemaking)을 가능하게 하지만, 효과적인 분석을 위해서는 전문가가 고수준 의도를 긴 연속의 인터페이스 조작으로 옮기고 시각적 피드백을 반복적으로 해석해야 하는 경우가 많다. 우리는 최신 비전-언어 모델(VLM)이 인터페이스를 관찰하고, 다단계 탐험을 계획하며, 상호작용을 실행하고, 중간 시각적 피드백에 따라 적응하는 자율 VA 운영자로서 이 역할을 수행할 수 있는지 연구한다. 체계적인 개발과 평가를 지원하기 위해, 우리는 먼저 상호작용형 구성 요소를 필터 및 줌 등의 통합 action API와 선택 요약 등의 perception-query API를 갖춘 구조화된 위젯으로 표준화하는 위젯 중심 에이전트형 VA 프레임워크인 WidgetVA를 제안한다. 이 표준화는 두 가지 시스템 구축 방식을 지원한다: 기존 VA 시스템을 재구축 없이 에이전트가 조작 가능하게 감싸는 방식, 그리고 위젯을 모듈형 building block으로 조합해 새 시스템을 구성하는 방식이다. 에이전트가 매 상호작용을 처음부터 계획하기보다 위젯 간 조율을 돕기 위해, 각 위젯은 재사용 가능한 분석 워크플로를 추가로 패키징하여, 에이전트에게 계획 대상으로 삼을 단순히 호출 가능한 함수들의 집합 이상의 것을 제공한다. 이 프레임워크를 바탕으로, 우리는 에이전트가 다단계 상호작용을 통해 증거를 발견하고 검증 가능한 결과를 산출해야 하는 단일 및 다중 위젯 VA 작업으로 구성된 벤치마크 WidgetVABench를 제시한다. 각 작업은 또한 세분화된 참조 주석을 제공하여, WidgetVABench가 에이전트 성능을 하나의 성공 점수로 축약하기보다 Answer, Reference Trace Similarity, State를 각각 별도로 채점할 수 있게 한다. 다양한 VLM에 걸친 실험은 우리 프레임워크가 에이전트형 VA를 위한 효과적인 토대를 제공함을 보여 주며, 진단 지표는 향후 연구를 위한 지속적인 한계를 드러낸다. WidgetVA 프레임워크와 WidgetVABench는 https://github.com/Hiverwin/widgetva 에 공개되었다.
MedRSI: 임상적으로 정렬된 자기 진화를 통한 의료용 에이전트의 재귀적 자기 개선
MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution
의료용 에이전트(agent)는 범용 추론 모델과 특화된 임상 도구를 점진적으로 결합하고 있으나, 그 능력은 배포 전 임상의와 엔지니어가 설계한 수준에 대부분 고정되어 있습니다. 재귀적 자기 개선(Recursive Self-Improvement, RSI)은 에이전트가 자신의 실패로부터 학습(training)하고 자율적으로 능력을 확장하는 다른 패러다임을 제공하지만, RSI를 의료 분야에 직접 적용하는 것은 근본적인 안전성(safety) 문제를 초래합니다. 본 논문에서는 도구 조합과 태스크별 모델 학습을 통해 진단 실패를 새로운 임상 능력으로 지속적으로 전환하는 최초의 의료용 재귀적 자기 개선 프레임워크인 MedRSI를 소개합니다. 임상 진료 현장에서 영감을 얻은 MedRSI는 임상적으로 정렬(alignment)된 자기 진화를 위한 두 가지 메커니즘을 도입합니다. 첫째, 임상 비용 인식 기반 실패 우선순위화(clinical-cost-aware failure prioritization)는 단순한 빈도 대신 잠재적인 임상적 결과에 따라 오류에 대한 개선 방향을 설정합니다. 둘째, 신속한 발견과 보수적 등록(fast discovery with slow registration)은 빠른 능력 창출과 보수적 도입을 분리하여, 후속 환자 코호트 전반에서 지속적인 이점을 입증한 후에만 새로운 도구가 영구 에이전트에 반영되도록 합니다. 공개 녹내장 및 심장 질환 벤치마크(benchmark)와 두 가지 비공개 임상 태스크 전반에서 MedRSI는 분할, 측정, 예측, 멀티모달 추론 및 생성 능력을 점진적으로 발전시키며, 수작업으로 설계된 의료용 에이전트를 능가하고 원래 설계자가 예상하지 못한 임상 문제에 대한 솔루션을 자율적으로 발견합니다. 본 연구 결과는 의료용 에이전트가 배포 전에 지정된 능력에 국한될 필요가 없음을 보여줍니다. 즉, 무엇을 개선하고 무엇을 유지할지 통제하는 임상적으로 기반을 둔(grounded) 메커니즘을 통해 진단 경험으로부터 새로운 능력을 지속적으로 구축, 검증 및 축적할 수 있습니다. 코드는 https://github.com/ImprintLab/MedRSI 에서 확인할 수 있습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.