데이터 희소 소프트웨어 시스템을 위한 속성 기반 합성 데이터 엔지니어링: 유방암 도메인에서의 성찰
Property-Driven Synthetic Data Engineering for Data-Scarce Software Systems: Reflections from the Breast Cancer Domain
한국어 초록
현대 소프트웨어 시스템은 분석, 예측, 테스트, 의사결정을 위해 데이터에 점점 더 의존하고 있다. 그러나 의료, 안전 필수 시스템, 규제 산업 등 많은 중요한 도메인에서는 충분하고 공유 가능하며 대표성 있는 데이터가 부족하다. 합성 데이터 생성이 해결책으로 자주 제안되지만, 유방암 치료에서의 수술 중 방사선 치료(IORT) 소프트웨어 엔지니어링 경험에 따르면 합성 데이터는 핵심 엔지니어링 문제를 해결하기보다 이동시킬 뿐이다. 핵심 과제는 합성 데이터가 어떤 속성을 보존해야 하는지, 이러한 속성을 이해관계자로부터 어떻게 도출해야 하는지, 프라이버시 제약 하에서 어떻게 검증할 수 있는지, 그리고 어떻게 진화하는지를 결정하는 것이다. 우리는 이 문제를 속성 기반 합성 데이터 엔지니어링이라고 부른다. 종양 전문의들과의 협업 및 민감한 IORT 데이터셋을 활용한 예비 실험을 바탕으로, 요구사항, 검증, 프라이버시, 파이프라인 진화에서의 과제를 식별한다. 우리는 자동화된 소프트웨어 엔지니어링 연구가 데이터 희소 소프트웨어 시스템에서 합성 데이터의 유효성 속성을 도출, 형식화, 검사, 발전시키기 위한 방법과 도구를 개발해야 한다고 주장한다.
원문 초록
Modern software systems increasingly depend on data for analysis, prediction, testing, and decision-making. Yet many important domains, including medicine, safety-critical systems, and regulated industries, lack abundant, shareable, or representative data. Synthetic data generation is often proposed as a remedy, but our experience engineering software for intraoperative radiotherapy (IORT) in breast cancer treatment suggests that synthetic data shifts rather than solves the central engineering problem. The key challenge becomes deciding which properties synthetic data must preserve, how these properties should be elicited from stakeholders, how they can be validated under privacy constraints, and how they evolve. We call this problem property-driven synthetic data engineering. Drawing on a collaboration with oncologists and preliminary experiments with a sensitive IORT dataset, we identify challenges in requirements, validation, privacy, and pipeline evolution. We argue that automated software engineering research should develop methods and tools for eliciting, formalizing, checking, and evolving validity properties for synthetic data in data-scarce software systems.
요약
유방암 수술 중 방사선 치료(IORT) 소프트웨어 개발 경험을 바탕으로, 합성 데이터 생성이 데이터 희소 문제를 해결하는 것이 아니라 핵심 엔지니어링 과제를 이해관계자별 유효성 속성(통계적 충실도, 임상적 타당성, 프라이버시 보호 등) 정의 문제로 전환시킨다는 점을 제시한다. TabDDPM, CTGAN, TVAE 등 다양한 합성 데이터 기법을 실제 IORT 데이터셋에 적용한 예비 실험을 통해 통계적 유사성만으로는 임상적 타당성을 보장할 수 없음을 보이며, 속성 도출·형식화·검증·진화를 위한 자동화 소프트웨어 엔지니어링 연구 방향을 제안한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.06133v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Meddies-PII: 임상 비식별화를 위한 개인식별정보 추출 다국어 프레임워크
Meddies-PII: A Multilingual Framework for Personally Identifiable Information Extraction in Clinical De-identification
임상 비식별화는 개인식별정보(PII)를 정확하게 식별하는 것에 의존합니다. 그러나 수작업으로 주석을 추가한 데이터셋은 구축 비용이 많이 들며, 기존의 합성 대안들은 생성 프로세스에 대한 세부 정보를 제한적으로 제공하거나 비교적 단순한 합성 전략에 의존하는 경우가 많습니다. 본 논문에서는 17개 언어와 9개의 PII 레이블에 걸친 100만 건의 합성 임상 문서 말뭉치인 Meddies-PII-Dataset을 소개합니다. 이러한 문서는 속성 조건부 프롬프트를 사용하여 생성되며, 구조적 및 주석 일관성을 강제하는 13개의 결정론적 게이트를 통해 검증됩니다. 데이터셋의 유용성을 평가하기 위해 BIOES 토큰 분류기인 Meddies-PII-Model을 학습하고, 완전 일치 엔티티 수준 F1을 사용하여 기존 PII 추출 시스템과 비교합니다. Meddies-PII-Model은 평가된 시스템 중 모든 보고된 벤치마크에서 가장 높은 성능을 달성하였으며, 15개의 외부 벤치마크에 걸쳐 평균 F1 0.827을 기록하여 가장 강력한 기준선의 0.658과 대비됩니다. 논문 채택 시 다국어 임상 비식별화 연구를 지원하기 위해 데이터셋, 벤치마크 스위트, 모델, 생성 프레임워크 및 평가 코드를 공개적으로 릴리스할 예정입니다.
유방암 생검으로부터 선행항암요법 반응을 예측하기 위한 전사체 기반 멀티모달 AI
Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies
라벨링된 데이터의 부족은 종양학 분야에서 심층 학습(deep learning) 기반 바이오마커 개발을 제한합니다. 본 연구에서는 유방암 환자의 선행항암요법에 대한 병리학적 완전 관해(pCR)를 예측하는 2단계 AI 모델(model)을 개발했습니다. 첫 번째 단계는 32개 암종에 걸친 8,742명의 환자 데이터를 활용하여 조직병리학 이미지로부터 전사체를 학습하며, 이는 병리학자 검토와 측정된 발현량과의 공간적 일치도를 통해 입증되었습니다. 이를 통해 두 번째 단계는 추론(inference)된 발현량과 임상 변수로부터 pCR을 예측하는 것으로 단순화됩니다. 1,080명의 환자(5개 코호트)를 통해 개발되고 1,412명의 환자(9개 코호트)에서 평가된 이 모델은 풀링된 AUROC 0.79(95% CI, 0.73-0.85)를 달성하며 분자 아형 내에서 반응군을 변별합니다. 본 모델은 조직병리학적 바이오마커보다 우수한 성능을 보이며, 종양 내 표본 추출 전반 및 최소한의 생검 조직만으로도 안정성을 유지합니다. 제거 연구(ablation) 결과, 전사체 전반의 추론이 임상 변수 단독 또는 1단계 병리 모델 대비 변별력을 향상시키고 유전체 분석의 유전자 선택 제약을 피함으로써 견고성을 확보함을 보여줍니다. 이러한 결과는 생물학적 정보를 반영한 압축 방식이 정밀(precision) 종양학의 데이터 희소 응용 분야로 일반화될 수 있음을 시사합니다.
단독 확산강조 MRI를 이용한 ADC 전용 심층 학습 파이프라인의 유방암 검출 및 분할 평가
Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI
동적 조영(dynamic contrast-enhanced, DCE) 영상은 자기공명영상(MRI)을 이용한 유방암 검출 및 특성 규명의 gold standard 기법이다. 그러나 DCE-MRI는 긴 촬영 시간과 혈류 내 조영제 투여가 필요하며, 이는 알레르기 반응을 유발할 수 있다. 대안으로 확산강조 MRI(DW-MRI)는 조영제가 필요 없고 촬영 시간이 더 짧으며, 종양 세포 밀도와 상관관계가 있는 겉보기 확산계수(ADC) 맵 계산을 가능하게 하는 유방 MRI의 표준 보조 기법이다. 그럼에도 이러한 기술적 이점에도 불구하고, 심층 학습 연구는 DCE 기반 모델에 집중해 왔고, DCE-MRI와의 병용이든 단독 대안이든 DW-MRI와 ADC 맵의 종양 검출 성능은 거의 탐구하지 않았다. 본 연구에서는 ADC 영상만을 사용한 유방암 검출 및 분할에 대해 다양한 최신(state-of-the-art) 심층 학습 기법의 적용을 평가한다. 우리가 아는 한, 이는 분류, 검출, 분할 과업을 위한 ADC 전용 유방암 파이프라인에 대한 최초의 포괄적 평가이다.
롱테일 의료 영상 분류
Long-Tailed Medical Image Classification
본 논문에서는 희귀 질환의 샘플이 매우 적은 롱테일 분포(long-tailed distributions)로 인해 표준 기법을 의료 영상 분류에 적용할 때 겪는 어려움을 검토한다. 이는 흔한 질환 진단에는 치우치고 희귀 질환 진단에서는 멀어지는 바이어스를 초래한다. 이어서 증강(augmentation)과 같은 기법을 활용한 심층 학습 모델을 논의하고 구현하여, 특히 희귀 질환에서 발생하는 오류를 최소화한다. AP, F1 score, AUROC, 손실(모두 검증 세트에서)을 기준으로 다양한 모델을 평가한다. 마지막으로 최고 성능 모델의 유망한 결과와 의료 분야에서의 잠재적 응용 가능성을 제시한다.
Action Recognition for Privacy-Preserving Ambient Assisted Living
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
토론
이 논문과 연결된 포럼 글이 아직 없습니다.