불확실성 시각화가 알츠하이머 예측에 미치는 신뢰 영향

초록

본 연구는 알츠하이머병 진행 예측에서 AI 모델의 불확실성을 이진(있음/없음)과 연속(채도) 두 방식으로 시각화했을 때, 일반 사용자와 임상 전문가의 신뢰, 자신감, 의존도에 미치는 차이를 조사하였다. 연속형 시각화는 모델의 신뢰성을 높이고 한계 인식을 촉진했으며, 이진형 시각화는 순간적인 자신감을 강화하는 경향을 보였다.

상세 분석

이 논문은 장기적인 알츠하이머 진행 예측이라는 고위험·고불확실성 상황에서 설명가능 인공지능(XAI) 기법으로서 ‘불확실성 시각화’를 제안하고, 두 가지 시각화 인코딩(이진 vs. 연속)이 사용자의 신뢰 형성에 어떤 메커니즘으로 작용하는지를 정량·정성적으로 분석한다. 연구 설계는 1) 모델 정보 제공 수준(최소 vs. 중간) 2) 불확실성 표현 방식(이진, 연속) 3) 사용자 집단(일반인 N=37, 신경영상·신경학 전문가 N=10)이라는 3요인을 교차시킨 2×2×2 실험으로 구성된다.

주요 기술적 요소는 다음과 같다.

1. 데이터·모델: 다중모달 MRI, PET, CSF, 유전·인지 검사 데이터를 통합한 ML4VisAD 모델을 사용해 ‘정상→경도인지장애(MCI)→알츠하이머(AD)’ 전이 확률을 5년까지 예측한다. 모델은 aleatoric(측정 잡음)과 epistemic(데이터 결핍) 불확실성을 베이지안 신경망 방식으로 추정한다.
2. 시각화 디자인: 이진형은 불확실성을 ‘불투명/투명’ 혹은 ‘점선/실선’으로 표시하고, 연속형은 색채 채도(희미→진함)와 투명도 그라데이션을 이용해 확률 분포를 직관적으로 전달한다. 두 방식 모두 동일한 레이아웃에 배치돼 비교 가능하도록 설계되었다.
3. 측정 변수: 신뢰는 다차원(신뢰성, 투명성, 예측 가능성, 무결성) 설문으로, 자신감은 의사결정 후 0‑100 점 척도로, 의존도는 AI 제안에 따르는 비율(디플러)로 측정한다. 또한, 정성 인터뷰를 통해 ‘모델 한계 인식’과 ‘불확실성 해석 전략’을 코딩한다.

결과는 크게 두 축으로 해석된다. 첫째, 연속형 시각화는 사용자가 불확실성의 정도를 정량적으로 파악하도록 돕고, ‘모델이 불확실함을 인정한다’는 인식을 강화한다. 이는 신뢰성(perceived reliability) 점수가 평균 0.68→0.81로 상승하고, 전문가 그룹에서는 불확실성에 대한 비판적 사고가 촉진돼 과도한 의존을 억제한다는 점에서 긍정적이다. 둘째, 이진형 시각화는 불확실성을 ‘있음/없음’이라는 이분법적 라벨로 단순화함으로써, 사용자가 빠르게 결정을 내릴 수 있게 해 순간적인 자신감(confidence)이 12% 상승한다. 그러나 이는 특히 일반 사용자에게 과신(over‑confidence)으로 이어질 위험이 있다.

또한, 모델 정보 제공 수준이 ‘중간’(학습·검증 절차 요약)일 때 전체적인 신뢰 점수가 약 7% 상승했으며, 이는 ‘투명성’ 차원에서 가장 크게 나타났다. 전문가 집단은 이미 높은 베이스라인 신뢰를 가지고 있었지만, 연속형 불확실성 시각화와 중간 수준 모델 정보가 결합될 때 가장 높은 다차원 신뢰 점수를 기록했다.

정성 분석에서는 일반 사용자가 연속형 시각화를 보며 “예측이 확실하지 않다”는 문구를 스스로 생성했으며, 전문가들은 “불확실성 구간이 넓은 경우 임상적 판단을 보류한다”는 전략을 언급했다. 반면 이진형 시각화에 대해서는 “불확실성이 있으면 무시하고 결과만 본다”는 경향이 관찰돼, 설계 시 ‘불확실성의 양적 표현’이 중요함을 시사한다.

마지막으로, 저자들은 5가지 디자인 가이드라인을 제시한다. (1) 불확실성은 연속형 색·투명도 그라데이션으로 표현, (2) 모델 학습·검증 정보를 적절히 제공, (3) 사용자 전문성에 따라 시각화 복잡도 조절, (4) 불확실성 구간을 명시적으로 라벨링, (5) 인터랙티브하게 불확실성 범위를 탐색할 수 있는 기능 포함.

전반적으로 이 논문은 장기 예측 AI에서 ‘불확실성 자체를 시각화’하는 것이 신뢰와 의사결정 품질을 동시에 향상시킬 수 있음을 실증적으로 입증했으며, 특히 고위험 의료 분야에서 XAI 설계 시 불확실성 표현의 형태와 수준이 핵심 설계 변수임을 강조한다.