말라리아 진단 AI 모델의 성능 비교 및 투명성 확보 연구
Towards Transparent Diagnostics: Investigating Architectural Trade-offs and Explainability in Malaria Detection
arXiv말라리아 진단은 전문가의 노동력이 필요한 과정이므로, 본 연구는 딥러닝(DL)을 활용하여 혈액 도말 슬라이드를 분석하는 모델의 성능과 효율성을 비교했습니다.
- 제안된 모델이 높은 정확도(97.67%)를 달성했으나, MobileNetV2가 가장 작은 크기와 빠른 추론 속도를 보여 현장 적용에 유리한 실용적 효율성을 입증했습니다.
- 단순 진단을 넘어 GRAD-CAM 등 XAI 기법을 적용하여 모델의 판단 근거를 설명함으로써, 의료 AI 시스템의 신뢰성과 투명성 확보에 중요한 의미를 제시합니다.
- 모델 크기와 성능 간의 트레이드오프가 핵심 과제입니다. 추론 속도와 경량화(Pruning)를 통해 높은 정확도를 유지하며 실제 임상 환경에 적용하는 방안을 주목해야 합니다.
말라리아 진단은 노동 집약적이며 전문가의 특수 장비가 필요한 과정이므로, 본 연구는 딥러닝(DL)을 활용하여 혈액 도말 슬라이드를 분석하는 모델의 성능과 효율성을 비교했습니다. 이 연구에서는 ResNet18, MobileNetV2, EfficientNet-B2, VGG19 등 다양한 DL 모델들을 탐색했으며, NIH Malaria 데이터셋을 사용하여 말라리아 진단 모델을 개발하고 실험을 진행했습니다.
실험 결과에 따르면, MobileNetV2는 96.35%의 정확도를 달성하면서도 가장 작은 모델 크기(8.49 MB)와 빠른 추론 속도(1.35 ms)를 보여 현장 적용에 유리한 실용적 효율성을 입증했습니다. 반면, 제안된 모델은 97.67%의 높은 정확도와 0.9756 AUC를 기록했으나, 가장 긴 추론 시간(13.17 ms)을 보였습니다. 연구는 이처럼 모델 크기와 성능 간의 트레이드오프가 핵심 과제임을 제시했습니다.
모델의 신뢰성과 투명성을 확보하기 위해 GRAD-CAM, SHAP, LIME과 같은 설명 가능한 AI(XAI) 기법이 적용되어 진단 과정에 대한 통찰력을 얻었습니다. 또한, 제안된 모델은 추가적인 가지치기(pruning) 과정을 거쳐 정확도와 추론 시간 측면에서 약간의 개선을 이루어냈습니다.