의료 영상 분석은 전문가가 주석을 단 데이터가 제한적이어서 모델의 일반화 및 임상 적용에 어려움을 겪는다. 본 연구는 방사선 전문의가 제공한 관심 영역(ROI)을 모델 훈련에 통합하여 분류 성능과 해석력을 동시에 향상시키는 전문가 주도 설명 가능한 몇 번의 학습 프레임워크를 제안한다. 공간적 주의 감독을 위해 Grad-CAM을 활용하여 Dice 유사도를 기반으로 하는 설명 손실을 도입하여 훈련 중 모델의 주의를 진단과 관련된 영역에 맞춘다. 이 설명 손실은 표준 원형 네트워크 목표와 함께 최적화되어 데이터가 제한된 조건에서도 임상적으로 의미 있는 특징에 집중하도록 모델을 유도한다. BraTS(MRI) 및 VinDr-CXR(흉부 X선) 두 개의 데이터 세트에서 프레임워크를 평가한 결과, BraTS에서는 77.09%에서 83.61%로, VinDr-CXR에서는 54.33%에서 73.29%로 정확도가 향상되었다. Grad-CAM 시각화는 전문가 주도 훈련이 주의를 진단 영역에 일관되게 맞춰 예측 신뢰성과 임상 신뢰도를 모두 향상시킨다는 것을 확인시켜 준다. 이러한 결과는 몇 번의 학습 의료 영상 진단에서 성능과 해석력 간의 차이를 해소하기 위해 전문가 주도 주의 감독을 통합하는 효과를 보여준다.
