멜라노마 진단용 사전 학습된 CNN 성능 비교 분석
A Comparative Evaluation of Pre-trained Convolutional Neural Networks for Melanoma Detection
arXiv멜라노마 진단 정확도 향상을 위해 여러 사전 학습된 CNN 모델들을 피부경 및 조직병리 이미지 데이터셋에 적용하여 성능을 비교 평가했습니다.
- 연구 결과, ResNet50 등 일부 아키텍처가 높은 정확도를 보였으나, 영상 종류(피부경 vs. 조직병리)에 따라 모델의 성능 차이가 크게 나타났습니다.
- 이는 멜라노마 진단 AI 모델이 특정 데이터셋이나 모달리티에 국한되어 범용적일 수 없으며, 유형별 최적화가 필수임을 시사합니다.
- 따라서 높은 정확도가 보고되더라도 사용된 데이터셋과 영상 종류를 고려하여 임상 적용 가능성을 신중하게 검토해야 합니다.
흑색종의 조기 진단은 환자 생존율 향상에 매우 중요하지만, 병변 유형 간 시각적 유사성 때문에 정확한 구분이 어려운 임상적 과제가 남아 있습니다. 이에 본 연구는 인공지능을 활용하여 피부과 및 조직병리 이미지를 분석하기 위해 사전 학습된 CNN(Convolutional Neural Networks) 모델들을 비교 평가했습니다. 실험은 HAM10000, ISIC 2018, CR-AI4SkIN 등 세 가지 데이터셋을 사용했으며, ResNet50, VGG16, VGG19, MobileNet, InceptionV3 다섯 가지 아키텍처를 동일한 학습 프로토콜 하에 평가했습니다.
실험 결과, 피부경 이미지(dermatoscopic images) 분석 시 모델들은 71%(InceptionV3 on ISIC 2018)부터 84%(ResNet50 on HAM10000)까지의 정확도를 기록했습니다. 반면, 조직병리 이미지(histopathological images)를 대상으로 한 CR-AI4SkIN 데이터셋에서는 VGG19가 72%, ResNet50이 83%의 정확도를 보여 모델별 성능 차이를 나타냈습니다.
종합적으로 볼 때, 연구 결과는 모델의 성능이 이미지 모달리티(dermatoscopic vs. histopathological)에 따라 다르게 나타남을 입증했습니다. 즉, 피부경 이미지에서 유사한 성능을 보인 아키텍처라 할지라도 조직병리 데이터에서는 다른 수준의 성능을 보이는 등, 영상 종류별로 모델 최적화가 필요함을 시사합니다.