폐 병변의 특징 탐색 및 악성 예측을 위한 변분 오토인코더

폐암은 영국에서 암 사망의 21%를 차지하며, 5년 생존율은 암이 발견된 시기의 단계에 크게 영향을 받습니다. 최근 연구에서는 루틴 스캔으로부터 폐암을 정확하고 조기에 진단할 수 있는 인공지능(AI) 방법의 능력을 입증하였습니다. 그러나 이 증거는 임상 실무로 이어지지 않았으며, 그 중 하나의 장벽은 해석 가능한 모델 부족입니다. 본 연구에서는 생성형 AI 모델인 변분 오토인코더(VAEs, Variational Autoencoders)를 폐암 병변에 적용하는 것을 조사합니다. 제안된 모델들은 LIDC-IDRI 공개 데이터셋에서 추출한 3D CT 스캔의 병변을 사용하여 훈련되었습니다. VAEs가 생성한 2D 슬라이스의 잠재 벡터 표현은 클러스터링을 통해 탐색되어 그 품질을 검증하였으며, 폐암 진단용 MLP 분류기 모델에 활용되었습니다. 최고 성능을 보인 모델은 AUC 0.98 및 93.1%의 정확도를 달성하였습니다.클러스터 분석 결과, VAE 잠재 공간이 종양 크기, 형태, 환자 및 악성 여부 등 의미 있는 특징 구성 요소를 기반으로 악성과 양성 병변 데이터셋을 구분함을 보여주었습니다. 또한 본 연구에서는 표준 가우시안 VAE(GVAE, Gaussian VAE)와 더 최근에 개발된 디리클레 VAE(DirVAE, Dirichlet VAE)를 비교 분석하였습니다. 디리클레 VAE는 사전 확률 분포(prior)를 디리클레 분포로 대체하여 더 설명 가능하고 분리된 특징 표현(latent space with disentangled feature representation)을 촉진합니다. 마지막으로, 임상적으로 의미 있는 특징 변화에 해당하는 잠재 공간 탐색(latent space traversals corresponding to clinically meaningful feature changes)의 가능성을 시연하였습니다.