본 논문은 심층 학습 모델의 우수한 예측 성능에도 불구하고 설명 가능성이 여전히 중요한 과제임을 지적하며, 임상 특징 간의 동적 상호 작용을 포착하도록 설계된 새로운 심층 학습 프레임워크인 Temporal-Feature Cross Attention Mechanism (TFCAM)을 제안합니다. TFCAM은 Transformer 아키텍처에서 영감을 받았으며, 만성 신장 질환 환자 1,422명을 대상으로 말기 신부전 진행 예측 실험에서 LSTM 및 RETAIN 기준 모델보다 우수한 성능(AUROC 0.95, F1-score 0.69)을 달성했습니다. 단순히 성능 향상뿐 아니라, 중요한 시간적 시기를 식별하고, 특징 중요도를 순위 매기며, 예측에 영향을 미치기 전에 특징들이 서로 어떻게 영향을 주는지 정량화함으로써 다층적인 설명 가능성을 제공합니다. 이는 의료 분야에서 심층 학습의 "블랙 박스" 한계를 해결하고, 최첨단 예측 성능을 유지하면서 질병 진행 메커니즘에 대한 투명한 통찰력을 임상의에게 제공합니다.
