이 포괄적 문헌고찰은 의료영상(MI) 분야에서의 설명가능 인공지능(Explainable Artificial Intelligence, XAI) 기법의 최신 발전을 탐구한다. 지난 10년 동안 기계학습(Machine Learning, ML)과 딥러닝(Deep Learning, DL) 기술은 질병 진단, 의료영상 분할, 다양한 의학적 상태의 탐지와 같은 과제에서의 진전을 가능하게 하며 의료 분야에서 상당한 성과를 이루었다. 그러나 이러한 성과에도 불구하고 임상 실무에서 AI 기반 도구의 광범위한 도입은 여전히 더딘데, 이는 주로 많은 AI 모델의 ‘블랙박스’적 특성 때문이다. 이러한 모델은 명확한 추론 없이 결정을 내리며, 이는 책임성과 신뢰가 무엇보다 중요한 핵심적인 의료 및 법적 환경에서 중대한 장벽을 초래한다. 본 고찰은 이러한 문제를 해결할 가능성을 평가하기 위해 내재적(intrinsic) 방법과 사후적(post-hoc) 방법을 모두 포함하는 다양한 XAI 방법을 조사한다. 또한 이 논문은 XAI가 의료 알고리즘의 투명성을 어떻게 향상시킬 수 있는지 검토함으로써 임상의, 환자, 규제기관 간의 더 큰 신뢰와 확신을 촉진하고자 한다. 의료 분야에서의 XAI가 직면하는 제한된 해석가능성, 계산 복잡성, 표준화된 평가 프레임워크의 부재와 같은 핵심 과제들을 상세히 논의한다. 더 나아가 본 연구는 문헌에서의 기존 공백, 즉 특정 XAI 기법들에 대한 상세한 비교 분석의 부족—특히 이들의 수학적 기반과 다양한 의료영상 맥락에서의 적용가능성 측면—등을 강조한다. 이러한 공백에 대응하여 본 논문은 이미지 분할, 분류, 진단과 같은 다양한 의료영상 과제에서 XAI 성능을 평가하기 위한 새로운 표준화 평가 지표 세트를 제안한다. 또한 본 고찰은 실제 임상 적용을 중심으로 의료 분야에서 XAI의 효과를 향상시키기 위한 실행 가능한 권고사항을 제시한다. 광범위한 개요 또는 방법의 제한된 하위 집합에 초점을 둔 선행연구와 달리, 본 연구는 18개 이상의 XAI 기법에 대한 포괄적 비교 분석을 제공하며, 각 기법의 강점, 약점 및 실무적 함의를 강조한다. XAI 방법이 임상 워크플로에 어떻게 통합될 수 있는지에 대한 상세한 이해를 제공함으로써, 본 논문은 최첨단 AI 기술과 의료 현장에서의 실제 활용 간의 격차를 해소하는 데 기여하고자 한다. 궁극적으로 본 연구에서 제공되는 통찰은 연구자, 임상의, 산업계 전문가들에게 가치를 가지며, 임상 환경에서 XAI의 채택과 표준화를 장려함으로써 의료 분야에 투명하고 해석가능하며 신뢰할 수 있는 AI 시스템의 성공적인 통합을 보장하는 데 도움이 될 것이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.