본 논문은 심층 학습(DL)을 인간의 추론 능력과 필요에 맞춰 더 효율적이고 해석 가능하며 견고한 이미지 분류를 가능하게 하는 연구이다. 설명 가능성, 인과 관계, 생물학적 시각 세 가지 관점에서 접근하여, 신경망의 의료 이미지 시각화 기법을 평가하고 설명 가능한 설계 방식을 검증한다. XAI와 인과 관계의 교차점에 대한 종합적인 검토를 통해 기존 및 미래 연구를 체계화하는 일반적인 틀을 제시하고, 의료 이미지에서 특징의 공동 발생을 활용하는 새로운 모듈을 제안하여 더 효과적이고 설명 가능한 예측을 수행한다. 인과 개념, 대조 학습, 특징 분리, 사전 지식을 통합하는 일반적인 프레임워크인 CROCODILE을 소개하고, 인간의 사물 인식 방식을 조사하여 맥락 인식 주의 메커니즘을 갖춘 연결 영감 네트워크인 CoCoReco를 제안한다. 주요 결과는 단순한 활성화 최대화가 의료 영상 DL 모델에 대한 통찰력이 부족하다는 점, 원형 부분 학습이 효과적이고 방사선학적으로 정렬된다는 점, XAI와 인과 ML이 깊이 연결되어 있다는 점, 사전 정보 없이 약한 인과 신호를 활용하여 성능과 해석력을 향상시킬 수 있다는 점, 제안된 프레임워크가 의료 분야 및 분포 외 데이터에 일반화된다는 점, 생물학적 회로 모티프를 통합하면 인간 중심의 인식이 향상된다는 점 등이다. 이 연구는 인간 중심의 DL에 기여하고 연구와 임상 적용 간의 격차를 해소하는 경로를 강조하여 신뢰 향상, 진단 정확도 향상, 안전한 배포에 대한 시사점을 제공한다.
