본 논문은 영아의 동영상을 이용하여 뇌성마비(CP) 위험을 자동으로 예측하는 골격 기반 그래프 합성곱 신경망(GCN) 모델의 설명 가능성을 높이기 위해, 영아 움직임 특징에 맞춘 섭동 프레임워크를 제시합니다. Class Activation Mapping (CAM)과 Gradient-weighted Class Activation Mapping (Grad-CAM)이라는 두 가지 설명 가능한 AI(XAI) 방법을 비교 분석하여, 저위험군과 고위험군 영아 동영상에서 중요한 신체 주요 지점을 확인하고, 속도 및 각도 섭동을 통해 GCN 모델의 위험 예측 변화를 평가합니다. 결과적으로 팔, 엉덩이, 다리의 속도 기반 특징이 CP 위험 예측에 큰 영향을 미치는 반면, 각도 섭동의 영향은 상대적으로 적다는 것을 보여줍니다. 또한 CAM과 Grad-CAM은 저위험군과 고위험군 모두에서 부분적으로 일치하는 설명을 제공합니다. 이 연구는 XAI 기반 움직임 분석을 통한 조기 CP 예측 및 잠재적인 움직임 기반 바이오마커 발견에 대한 통찰력을 제공하며, 추가적인 임상 검증이 필요합니다.
