질병 진단 모델에 관한 기존 연구는 성능 향상을 위한 진단 모델 학습 또는 학습된 진단 모델의 시각적 설명에 초점을 맞추어 왔다. 우리는 시각적 설명을 지도 신호로 하여 진단 모델 학습, 시각적 설명 생성(설명 유닛), 그리고 학습된 진단 모델 강화(강화 유닛)를 통합하는 새로운 학습-설명-강화(LEAR, learn-explain-reinforce) 프레임워크를 제안한다. 시각적 설명을 위해, 입력 샘플을 의도된 목표 라벨로 식별되도록 변환하는 반사실적(counterfactual) 맵을 생성한다. 예를 들어, 반사실적 맵은 정상 뇌 영상 내에서 알츠하이머병(AD)으로 진단되게 할 수 있는 가상의 이상 소견을 국소화할 수 있다. 우리는 생성된 반사실적 맵이 표적 과제, 즉 구조적 MRI를 사용한 AD 진단에 대한 데이터 기반 지식을 나타내며, 이는 학습된 진단 모델의 일반화를 강화하는 데 중요한 정보원이 될 수 있다고 믿는다. 이를 위해 우리는 반사실적 맵의 지도를 바탕으로 하는 주의(attention) 기반 특징 정제 모듈을 설계한다. 설명 유닛과 강화 유닛은 상호적이며 반복적으로 작동될 수 있다. 제안한 접근법은 ADNI 데이터셋에서 정성적 및 정량적 분석을 통해 검증되었다. 또한 소거(ablation) 연구와 기존 방법들과의 비교를 통해 그 이해가능성과 충실도가 입증되었다.

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