의료 분야에서 인공지능(AI)의 활용이 점차 중요해지고 있지만, 기존 AI 모델들은 효율성과 진단 근거의 해석 가능성이라는 두 가지 목표를 동시에 달성하기 어려웠습니다. 이러한 문제를 해결하기 위해 'qZACH-ViT'라는 새로운 연구가 등장했습니다. 이 연구는 모델의 크기를 줄여 효율성을 높이면서도, AI가 왜 특정 진단을 내렸는지 명확하게 설명할 수 있는 '내재적 설명(intrinsic explanations)' 기능을 강화한 것이 핵심입니다.
qZACH-ViT는 기존 'ZACH-ViT' 모델을 양자화(quantization) 기술로 확장한 것입니다. 양자화는 모델의 가중치(weights)를 더 작은 비트(예: 32비트 부동소수점에서 8비트 정수로)로 표현하여 모델 크기를 70%까지 줄이고, CPU 처리 속도를 최대 2.39배 향상시킵니다. 이 모델은 '제로 토큰(CLS-token-free)' 및 '위치 무관(position-free)' 방식을 채택하여, 이미지의 특정 패치(patch) 수준에서 재귀적으로 클래스 증거를 제공합니다. 또한, '재귀적 귀인 안정화 최적화(Recursive Attribution-Stabilized Optimization, RASO)'라는 새로운 최적화 기법을 도입하여, 분류(classification)와 귀인(attribution) 간의 기울기(gradient)를 일치시키고 분류와 상충하는 귀인 요소를 제거함으로써 AI 설명의 안정성과 신뢰도를 크게 높였습니다. 7가지 MedMNIST 데이터셋에 대한 280회 실험 결과, qZACH-ViT는 기존 FP32 ZACH-ViT 대비 평균 0.0313의 성능 향상을 보였으며, RASO 적용 시 0.0368의 추가 성능 향상을 달성했습니다.
이 연구는 의료 AI 모델의 실제 배포 가능성을 크게 높였다는 점에서 의미가 큽니다. 작고 빠른 모델은 제한된 컴퓨팅 자원을 가진 의료 기기나 현장에서도 AI를 효과적으로 사용할 수 있게 합니다. 또한, 진단 근거를 명확히 제시하는 설명 가능한 AI(XAI) 기능은 의료진이 AI의 판단을 신뢰하고 환자에게 설명하는 데 필수적입니다. 특히 RASO는 AI 설명의 안정성을 강화하여, 오진의 위험을 줄이고 의료 AI의 윤리적, 법적 책임 문제를 해결하는 데 기여할 수 있습니다. 이는 궁극적으로 의료 AI의 임상 적용을 가속화하고, 환자 진료의 질을 향상시키는 데 중요한 발판이 될 것입니다.