SAIL: 구조 인식 기반 해석 가능한 학습을 통한 해부학적 정렬 후처리 설명을 위한 광간섭 단층 촬영(OCT) 분석

SAIL: Structure-Aware Interpretable Learning for Anatomy-Aligned Post-hoc Explanations in OCT

광간섭 단층 촬영(OCT)은 망막 질환 진단에 필수적인 역할을 하는 망막 이미징 기술로, 고해상도 망막 층 시각화를 제공합니다. 딥러닝(DL)은 OCT 기반 망막 질환 검출에서 전문가 수준의 정확도를 달성했지만, '블랙 박스' 특성으로 인해 임상 적용에는 어려움이 있으며, 설명 가능성은 임상적 신뢰와 규제 승인에 필수적입니다. 기존의 후처리 설명 가능한 인공지능(XAI) 방법은 종종 미세한 병변 구조를 명확하게 구분하거나, 해부학적 경계를 존중하거나, 노이즈를 억제하는 데 어려움을 겪어 설명의 신뢰성을 제한합니다. 이러한 문제를 해결하기 위해, 우리는 망막 해부학적 사전 지식을 표현 수준에서 통합하고, 융합 설계를 통해 이를 의미론적 특징과 결합하는 구조 인식 기반 해석 가능한 학습(SAIL) 프레임워크를 제안합니다. 표준 후처리 설명 가능성 방법을 수정하지 않고도, 이 표현 방식은 더 선명하고 해부학적으로 정렬된 중요도 지도를 생성합니다. 다양한 OCT 데이터 세트에 대한 종합적인 실험 결과, 우리의 구조 인식 방법은 일관되게 해석 가능성을 향상시켜 임상적으로 의미 있고 해부학적 정보를 포함하는 설명을 제공함을 보여줍니다. 또한, 분석 실험을 통해 강력한 해석 가능성을 위해서는 구조적 사전 지식과 의미론적 특징이 모두 필요하며, 이 두 가지를 적절히 융합하는 것이 최상의 설명 품질을 달성하는 데 중요함을 확인했습니다. 이러한 결과들은 구조 인식 표현 방식이 OCT 분야에서 신뢰할 수 있는 설명 가능성을 확보하는 데 중요한 단계임을 강조합니다.

Optical coherence tomography (OCT), a commonly used retinal imaging modality, plays a central role in retinal disease diagnosis by providing high-resolution visualization of retinal layers. While deep learning (DL) has achieved expert-level accuracy in OCT-based retinal disease detection, its "black box" nature poses challenges for clinical adoption, where explainability is essential for clinical trust and regulatory approval. Existing post-hoc explainable AI (XAI) methods often struggle to delineate fine-grained lesion structures, respect anatomical boundaries, or suppress noise, limiting the trustworthiness of their explanations. To bridge these gaps, we propose a Structure-Aware Interpretable Learning (SAIL) framework that integrates retinal anatomical priors at the representation level and couples them with semantic features via a fusion design. Without modifying standard post-hoc explainability methods, this representation yields sharper and more anatomically aligned attribution maps. Comprehensive experiments on diverse OCT datasets demonstrate that our structure-aware method consistently enhances interpretability, producing clinically meaningful and anatomy-aware explanations. Ablation studies further show that strong interpretability requires both structural priors and semantic features, and that properly fusing the two is critical to achieve the best explanation quality. Together, these results highlight structure-aware representations as a key step toward reliable explainability in OCT.