RIKEN 연구팀, 임상 지식 기반 중간 추론으로 암 AI의 도메인 시프트 문제 해결

섹션별 상세

암 진단 AI가 직면한 주요 과제인 도메인 시프트 현상은 학습 시와 다른 병원 환경이나 데이터 특성을 만났을 때 AI의 예측 성능이 급격히 떨어지는 문제를 야기한다.

RIKEN 연구팀은 전립선암 데이터셋을 활용하여 서로 다른 병원 환경과 생검 및 수술 절제 표본이라는 두 가지 검체 유형 사이에서 발생하는 복합적인 도메인 시프트 문제를 분석했다.

연구팀은 순수 데이터 기반 학습의 한계를 극복하기 위해 전문가의 임상 지식을 반영한 중간 추론 스코어 단계를 모델 아키텍처에 통합했다.

이러한 임상 정보 기반 중간 추론 방식은 AI가 단순히 픽셀 데이터의 통계적 패턴에만 의존하지 않고 의학적으로 유의미한 특징을 학습하도록 유도하여 모델의 신뢰성을 높였다.

실험 결과 제안된 모델은 다양한 병원과 검체 조건에서도 안정적인 재발 예측 성능을 보여주었으며 이는 AI의 임상 적용을 위한 범용성 확보에 기여할 것으로 기대된다.

도메인 시프트(Domain Shift): — AI 모델이 학습한 데이터의 분포와 실제 적용 환경의 데이터 분포가 달라져 성능이 하락하는 현상이다. 의료 분야에서는 병원 장비나 검체 처리 방식의 차이로 자주 발생하며 모델의 신뢰성을 저해하는 주요 요인이다.
중간 추론(Intermediate Reasoning): — 입력 데이터에서 최종 결과로 바로 도달하지 않고 논리적으로 설명 가능한 중간 단계의 판단 지표를 먼저 생성하는 방식이다. 이 연구에서는 전문가의 임상 지식을 이 단계에 주입하여 모델의 판단 근거를 명확히 했다.
예후 예측(Prognostication): — 질병의 발생 이후 경과나 회복 가능성, 재발 여부 등을 통계적 또는 의학적 근거로 예측하는 과정이다. 암 치료 계획 수립에서 환자의 생존율과 직결되는 핵심적인 단계이다.

연구팀은 순수 데이터 기반 학습의 한계를 극복하기 위해 전문가의 임상 지식을 반영한 중간 추론 스코어 단계를 모델 아키텍처에 통합했다.

도메인 시프트(Domain Shift): — AI 모델이 학습한 데이터의 분포와 실제 적용 환경의 데이터 분포가 달라져 성능이 하락하는 현상이다. 의료 분야에서는 병원 장비나 검체 처리 방식의 차이로 자주 발생하며 모델의 신뢰성을 저해하는 주요 요인이다.
중간 추론(Intermediate Reasoning): — 입력 데이터에서 최종 결과로 바로 도달하지 않고 논리적으로 설명 가능한 중간 단계의 판단 지표를 먼저 생성하는 방식이다. 이 연구에서는 전문가의 임상 지식을 이 단계에 주입하여 모델의 판단 근거를 명확히 했다.
예후 예측(Prognostication): — 질병의 발생 이후 경과나 회복 가능성, 재발 여부 등을 통계적 또는 의학적 근거로 예측하는 과정이다. 암 치료 계획 수립에서 환자의 생존율과 직결되는 핵심적인 단계이다.