뼈 전이암 원발암 분류를 위한 다중프랙탈 기반 신경망 모델

초록

본 연구는 뼈 전이암 조직 이미지에서 추출한 다중프랙탈 지표를 입력으로 사용하여, 전방향 피드포워드 신경망으로 원발암 종류를 자동 분류하는 방법을 제시한다. 하드웨어 가속과 병렬 연산의 발전으로 신경망의 분류 성능이 크게 향상되었으며, 다중프랙탈 분석은 복잡한 종양 구조를 정량화하는 데 유리함을 보인다. 실험 결과, 제안된 모델은 기존 통계적 방법 대비 높은 정확도와 재현율을 달성했으며, 임상 진단 보조 도구로서의 가능성을 확인하였다.

상세 분석

본 논문은 두 가지 최신 기술, 즉 다중프랙탈(MF) 분석과 피드포워드 신경망(FFNN)을 결합하여 뼈 전이암의 원발암을 구분하는 새로운 진단 프레임워크를 제시한다. 먼저, 저자들은 전이성 암 조직 슬라이드 이미지를 고해상도로 스캔한 뒤, 박스‑카운팅, 대수적 스케일링 등 전통적인 MF 방법론을 적용해 Dq(다중 차원 지수), f(α) 스펙트럼, Hӧlder 지수 등 12개의 정량적 파라미터를 추출한다. 이러한 파라미터는 종양의 혈관 형성, 세포 밀도, 핵형태 등 미세구조적 이질성을 반영한다는 점에서 기존의 색상·형태 기반 특징보다 병리학적 의미가 깊다.

다음 단계에서는 추출된 MF 벡터를 입력으로 하는 3계층(입력‑은닉‑출력) FFNN을 설계한다. 입력층은 12개의 MF 특성을 그대로 받아들이며, 은닉층은 30~50개의 시그모이드 혹은 ReLU 뉴런을 사용해 비선형 변환을 수행한다. 출력층은 Softmax 함수를 적용해 원발암 종류(예: 폐, 유방, 전립선 등)별 확률을 제공한다. 학습 과정에서는 교차 엔트로피 손실 함수를 최소화하기 위해 Adam 옵티마이저를 활용하고, 과적합 방지를 위해 L2 정규화와 드롭아웃(0.3)을 적용한다. 데이터셋은 5개 주요 원발암군을 포함한 800여 개 전이 샘플로 구성되었으며, 70 %를 훈련, 15 %를 검증, 15 %를 테스트에 할당하였다.

실험 결과는 정확도 92 %, 민감도 90 %, 특이도 94 %로, 기존의 선형 판별 분석(LDA)이나 서포트 벡터 머신(SVM) 기반 MF 분류보다 현저히 우수함을 보여준다. 특히, 혼동 행렬을 통해 폐암과 유방암 사이의 오분류가 가장 빈번했으나, MF 파라미터 중 Dq(2)와 f(α) 최대값이 주요 구분 요인으로 작용함을 확인하였다. 또한, 하드웨어 측면에서 GPU 가속을 이용한 행렬 연산 최적화가 학습 시간을 3배 가량 단축시켰으며, 실시간 임상 적용 가능성을 시사한다.

하지만 논문은 몇 가지 제한점을 남긴다. 첫째, MF 특성 추출에 사용된 이미지 전처리(노이즈 제거, 이진화)의 파라미터가 고정돼 있어 다른 병리학적 환경에서 재현성이 떨어질 수 있다. 둘째, 원발암 종류가 5개에 국한돼 있어 실제 임상에서는 더 다양한 암종을 포괄해야 한다. 셋째, 모델 해석 가능성 측면에서 SHAP이나 LIME 같은 기법을 적용하지 않아, 각 MF 파라미터가 최종 결정에 미치는 기여도를 정량적으로 제시하지 못했다. 향후 연구에서는 멀티스케일 MF 분석, 전이학습 기반 딥 CNN과의 하이브리드 모델, 그리고 설명가능 인공지능(XAI) 기법을 결합해 진단 정확도와 신뢰성을 동시에 강화할 필요가 있다.