본 논문은 의료 진단에서 점점 더 많이 사용되는 라만 분광법과 딥러닝 모델의 결합에 있어, 모델의 불투명성과 의료 진단의 민감성 및 규제 요구사항을 해결하기 위해 설명 가능한 AI 도구의 필요성을 강조합니다. 이에 연구진은 라만 스펙트럼을 설명하는 데 특화된 SpecReX를 소개합니다. SpecReX는 실제 인과 관계 이론을 사용하여 스펙트럼에서의 인과적 책임을 순위 매기는데, 스펙트럼의 변형된 버전을 반복적으로 정제하고 원래 분류를 유지하는지 여부를 테스트하여 정량화합니다. SpecReX가 제공하는 설명은 스펙트럼 영역 중 모델이 정확한 분류를 하는 데 가장 중요한 부분을 강조하는 책임 지도(responsibility map)의 형태를 취합니다. SpecReX의 유효성을 평가하기 위해, "ground truth" 신호가 포함된 점점 더 복잡한 시뮬레이션 스펙트럼을 생성하여 분류기를 훈련시키고, SpecReX 설명을 얻어 다른 설명 가능성 도구와 비교합니다. 시뮬레이션 스펙트럼을 사용하여 여러 조건 하에서 SpecReX가 클래스 간의 알려진 차이점에 국한됨을 입증하여, 질병 클래스를 구분하는 스펙트럼 특징을 찾는 기반을 마련합니다. 이는 SpecReX의 유효성을 증명하는 중요한 첫 단계입니다.
