Symb-xMIL은 디지털 병리학에서 다중 인스턴스 학습(MIL) 모델의 예측을 설명하는 새로운 프레임워크입니다. 기존 방법은 히트맵으로 영향력 있는 영역을 강조하지만, 여러 조직 영역의 증거가 어떻게 결합되어 예측을 내는지 설명하지 못합니다.
Symb-xMIL은 모델의 행동이 사람이 읽을 수 있는 의사 결정 규칙과 얼마나 일치하는지 정량화하여 논리적 관계(예: AND, OR, NOT)로 표현합니다. 이를 통해 모델 예측의 기반이 되는 의미론적 패턴을 파악할 수 있습니다.
합성 데이터에서는 실제 논리 규칙을 안정적으로 복구하고, 실제 임상 데이터에서는 숨겨진 모델 오류를 드러내며, TCGA-HNSCC 데이터셋에서는 HPV 상태를 넘어 환자 생존 계층화를 개선하는 데 활용되었습니다.