본 논문은 의료 영상 분석에서 딥러닝 모델의 채택을 저해하는 큰 모델 크기와 해석 불가능성 문제를 해결하기 위해 해석 가능성 기반 가지치기 프레임워크를 제시합니다. DL-Backtrace, Layer-wise Relevance Propagation, Integrated Gradients 와 같은 해석 가능성 기법을 활용하여 신경망 내 개별 구성 요소의 기여도를 평가하고, 각 계층에서 가장 관련성이 높은 부분만 선택적으로 유지하여 모델을 압축합니다. 여러 의료 영상 분류 벤치마크에 대한 실험 결과, 높은 압축률을 달성하면서 정확도 손실을 최소화하여 경량화되고 해석 가능한 모델을 구현함을 보여줍니다. 이는 의료 현장 배포에 적합한 모델을 개발하는 데 기여할 것으로 기대됩니다.
