의료 영상 분석(Medical image analysis, MedIA)은 의학 및 보건의 필수 도구가 되었으며, 질병 진단, 예후, 치료 계획에 도움을 주고, 최근 심층학습(Deep learning, DL)의 성과는 이러한 발전에 상당한 기여를 해 왔다. 그러나 실제 상황에서 MedIA를 위해 DL 모델을 배치하는 일은 훈련 샘플과 테스트 샘플 간의 분포적 불일치로 인해 일반화에 실패하는 문제, 즉 도메인 시프트(domain shift) 때문에 여전히 어렵다. 연구자들은 알려지지 않았거나 분포 밖(out-of-distribution, OOD) 데이터 분포에서도 적응하고 견고하게 수행하기 위한 다양한 DL 방법을 개발하는 데 노력을 기울여 왔다. 본 글은 MedIA에 특화된 도메인 일반화(domain generalization, DG) 연구를 종합적으로 검토한다. 우리는 DG 기법들이 더 넓은 MedIA 시스템 안에서 어떻게 상호작용하는지를 전체적으로 조망하며, 방법론을 넘어 MedIA 워크플로 전반에 대한 운영적 함의까지 고려한다. 구체적으로, 우리는 DG 방법을 데이터 수준, 특징 수준, 모델 수준, 분석 수준 방법으로 분류한다. 또한 이러한 방법들이 데이터 획득부터 모델 예측 및 분석에 이르기까지, MedIA 워크플로의 다양한 단계에서 어떻게 활용될 수 있는지를 보여준다. 아울러 여러 방법의 강점과 약점을 비판적으로 분석하여 향후 연구의 기회를 드러낸다.

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