Sybil 모델의 인과적 감사를 위한 3D 확산 브릿지 기반 인터벤션 프레임워크

초록

본 논문은 폐암 위험 예측 딥러닝 모델 Sybil을 모델‑불가지론적 방식으로 감시하기 위해 S(H)NAP이라는 프레임워크를 제안한다. 3차원 확산‑브릿지(diffusion‑bridge) 모델을 이용해 폐결절을 제거·삽입하는 합성 인터벤션을 수행하고, 이를 기반으로 SHNAP(Shapley Nodule Attribution Profiles)과 SNAP(Substitutive Nodule Attribution Probing)이라는 두 가지 기여도 측정 방법을 개발한다. 실험 결과 Sybil은 결절별 주효과와 결절 쌍 간 상호작용을 선형 형태(LMPI)로 처리하지만, 방사선학적으로 무의미한 인공 아티팩트에 과도하게 민감하고, 중심부에서 말단부로 갈수록 위험 점수가 증가하는 ‘방사형 바이어스’를 보인다.

상세 분석

Sybil은 3D ResNet‑18 기반 인코더와 최대‑풀링·어텐션 두 갈래 구조를 결합한 모델로, 6년간의 폐암 발생 위험을 단일 CT 스캔만으로 예측한다. 기존 연구들은 AUROC, AUPRC 등 관찰적 지표에 의존했지만, 모델이 실제 어떤 해부학적 특징을 이용하는지는 밝히지 못했다. 저자들은 이를 해결하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 시스템‑임베디드 디퓨전 브릿지(SDB)를 활용해 ‘마스크된 영역’만을 변형하고 나머지는 그대로 보존하는 방식으로, 실제 CT 데이터 분포에 부합하는 고품질 합성 이미지(결절 제거·삽입)를 생성한다. 이는 Verdu(2009)의 KL‑다이버전스 감소 정리를 확장해, 서로 다른 분포(예: 결절이 없는 정상 조직 vs. 결절이 삽입된 조직)가 일정 시간 t 이후에는 구분이 어려워짐을 이론적으로 뒷받침한다. 둘째, 이러한 합성 데이터를 이용해 n‑Shapley 값(nSV, n=2)을 계산함으로써 결절 개별 효과와 결절 쌍 간 상호작용을 정량화한다. 저자들은 이 값을 선형 모델 with pairwise interactions(LMPI) 형태로 근사함을 증명했으며, R² 기반 로컬 충실도 지표를 통해 근사 정확도가 0.92 이상임을 보고한다.

SHNAP은 모든 가능한 결절 조합(2ⁿ 경우)을 생성하고, 각 조합에 대한 Sybil의 베이스 위험 로그잇을 측정해 선형 방정식의 계수를 추정한다. 계산 복잡도는 O(N·2ᴺ)이지만, 실제 임상 데이터에서 평균 결절 수가 5~7개 수준이므로 실시간 실행이 가능하다. SNAP은 사전에 정의된 결절(부피, 경계, 밀도 등)을 임의의 좌표에 삽입하고, 삽입 전후 위험 점수 차이를 로그오즈 비율로 기록한다. 이를 통해 모델이 공간적 위치에 얼마나 민감한지, 특히 중심부에서 말단부로 갈수록 위험 점수가 비선형적으로 상승하는 ‘방사형 바이어스’를 정량화한다.

실험에서는 NLST(대규모 훈련용), LUNA25(악성·양성 라벨이 명확한 검증용), iLDCT(외부 도메인) 세 데이터셋을 활용했다. SHNAP 결과는 대부분의 결절이 양성 기여를 보였으나, 일부 작은 결절이 오히려 위험을 감소시키는 역효과를 나타냈으며, 이는 방사선 전문의의 판독과 일치했다. 반면 SNAP 실험에서는 동일한 부피·밀도의 결절을 폐의 말단(피질 근처)과 중심(기관지 근처)에 삽입했을 때, 중심에 삽입된 경우 위험 점수가 평균 18% 더 크게 상승했다. 또한, 인위적인 금속 아티팩트(시뮬레이션된 금속 임플란트)를 삽입했을 때 Sybil이 위험을 과대평가하는 현상이 발견돼, 모델이 비의학적 신호에 과도하게 반응함을 드러냈다.

이러한 결과는 Sybil이 ‘결절 중심의 특징’에 기반한 합리적인 판단을 수행하지만, 데이터셋에 내재된 편향(예: 중심부 결절 비중이 높음)과 비의학적 잡음에 취약함을 시사한다. 따라서 임상 적용 전에는 이러한 인과적 감사와 보정이 필수적이며, S(H)NAP은 향후 다른 영상 기반 위험 모델에도 일반화 가능한 감사 도구로 활용될 가능성이 크다.