Glyph: An Interpretability Engine for AI-Driven Scientific Discovery in Clinical Data
- 발행일
- 출처
- arXiv
- 논문 번호
- 1464
- 분야
- Interpretability
- arXiv 번호
- 2611.08922
이 논문은 의료 파운데이션 모델의 임베딩을 희소 오토인코더로 풀어 임상 개념으로 해석하고 질병 예측 표적으로 검증하는 발견 엔진을 만들었다.
이 논문은 한마디로 파운데이션 모델 임베딩 속 숨은 특징을 임상 개념으로 바꿔 과학적 발견에 쓰는 프레임워크 Glyph 를 소개한다. 저자들은 복부 CT 와 판독문, 검사 수치 41,628명 분을 임베딩해 희소 오토인코더로 풀었다. 604,185개 개념-결과 연관을 검정해 397개 예측 개념과 4,463개 유의 연관을 얻었다. 문헌 마커보다 재현율과 효과 크기가 모두 컸다.
핵심 요약
- Glyph 는 파운데이션 모델 임베딩을 희소 오토인코더로 분해해 임상 개념으로 해석하는 다단계 프레임워크다.
- 연구진은 41,628명의 복부 CT 영상, 판독문, 검사 수치를 세 종류의 파운데이션 모델로 임베딩했다.
- 141개 예후 결과와의 604,185개 연관을 검정해 397개 예측 개념과 4,463개 유의 연관을 확보했다.
- 발견된 연관은 간, 신장, 심혈관, 종양 축의 알려진 예후 관계를 회복하고 외부 기관 코호트에서 재현됐다.
- 축별 상위 10개 Glyph 개념은 문헌 마커보다 재현율이 64.8% 대 41.2% 로 높았다.
- Glyph 개념의 중앙 오즈비는 1.31 로 문헌 마커의 1.16 보다 컸다.
논문 링크
외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.