흡수 마르코프 체인을 활용한 갑상선 세포 분류 AI 프레임워크
TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation
arXiv갑상선 세포 검사(FNAB)의 진단 정확도를 높이기 위해, 여러 배율(10x, 20x, 40x) 특징을 종합 분석하는 'TAM-Chain' AI 분류 프레임워크가 개발되었습니다.
- 이 시스템은 흡수 마르코프 체인과 불확실성 정량화 기법을 결합하여 진단 오류를 줄이고, 외부 데이터에서도 전문의 의뢰 장치를 통해 높은 안정성을 확보했습니다.
- 기존 AI 모델의 높은 오진율과 임상 환경 변화에 취약한 문제를 해결하며, 디지털 병리 분야에서 자동화 효율성과 생물학적 안전성을 동시에 확보합니다.
- 다중 배율 분석과 전문의 협업(Human-in-the-loop)을 통해 높은 안전성을 입증했으므로, 실제 임상 적용 시 다양한 환경에서의 검증이 중요합니다.
갑상선 미세 바늘 흡인 생검(FNAB) 세포학 진단은 초기 암 검출에 중요한 역할을 하지만, 기존 딥러닝 접근 방식은 높은 위음성률과 임상 환경 변화 시 과신(overconfidence) 문제를 안고 있습니다. 이에 연구진은 다중 배율(10x, 20x, 40x)의 특징을 활용하는 TAM-Chain 프레임워크를 제안했습니다. 이 시스템은 흡수 마르코프 체인 이론과 Shannon 엔트로피 기반 불확실성 정량화 기법을 결합하여 진단 정확도를 높이는 것을 목표로 합니다.
TAM-Chain은 다중 배율 특징 추출 과정을 흡수 확률 과정(absorbing stochastic process)으로 동적으로 모델링합니다. 이를 통해 최적의 중지 기준(optimal stopping criteria)을 설정하고, 중요한 진단 오류를 엄격하게 억제하기 위한 인간 개입형 의뢰 메커니즘(human-in-the-loop referral mechanism)을 구현했습니다.
실험 결과에 따르면, 내부 테스트 세트(N = 235)에서 Macro F1 점수 0.9741과 절대 위음성률(FNR) 0.00%를 달성했습니다. 특히 심각한 도메인 변화가 존재하는 독립적인 외부 검증 세트(N = 1015)에서도 TAM-Chain은 기대 중지 단계를 적응적으로 조정하고 전문의 의뢰 기능을 작동시켜 Macro F1 점수 0.7026을 유지하며, 단일 배율 기반 모델보다 우수한 안정성과 분류 성능을 입증했습니다.