• 목록

[일시] 2026.01.28

[세미나 주제]
Concept Complement Bottleneck Model for Interpretable Medical Image Diagnosis

[발표자]
조연경

[요약]
본 발표에서는 의료 영상 진단에서 해석 가능성과 성능을 동시에 확보하기 위한 개념 기반 딥러닝 모델인 Concept Complement Bottleneck Model(CCBM)을 소개하였다. 기존 Concept Bottleneck Model(CBM)은 인간이 정의한 개념을 활용해 해석 가능성을 제공하지만, 개념 주석 의존성과 블랙박스 모델 대비 성능 격차라는 한계를 가진다. 이를 해결하기 위해 CCBM은 사람이 정의한 개념뿐 아니라 모델이 진단에 유용한 시각적 패턴을 스스로 학습하는 미지 개념(unknown concepts)을 추가하여 개념 표현 공간을 확장하는 구조를 제안한다. 미지 개념은 별도의 개념 라벨 없이 최종 진단 loss를 통해 간접적으로 학습되며, 유사도 손실을 통해 기존 개념과 중복되지 않는 정보 축을 형성하도록 설계된다. CCBM의 학습 구조와 손실 함수 구성, known 및 unknown 개념의 역할을 설명하고, 다양한 의료 영상 데이터셋 실험을 통해 질병 진단 성능 향상과 개념 학습의 공정성을 확인하였다. 또한 Faithfulness 분석을 통해 모델이 실제로 개념 정보를 활용해 의사결정을 수행함을 보였고, Plausibility 분석을 통해 시각적 및 텍스트 설명이 이해 가능함을 검증하였다. 본 발표는 CCBM이 해석 가능 모델의 한계를 보완하며, 성능과 해석 가능성을 동시에 고려하는 개념 기반 모델 확장 방향임을 다루었다.
 
[관련 논문]
- Concept Complement Bottleneck Model for Interpretable Medical Image Diagnosis

[녹화 영상]
https://us06web.zoom.us/rec/share/WzFMsFdX2n5YpU9c8jF2ga4v4x1OUKKULidDp0ZeLojeKhcLErB7SlCTRKpsYrEf.ro6m1CXhYl_pqQxc