투명성 기반 앙상블 CNN으로 교모세포종 가성진행과 실제 진행 구분

초록

본 연구는 84명의 교모세포종 환자 MRI 데이터를 이용해 VGG, ResNet, DenseNet 세 가지 CNN을 개별 학습한 뒤, 각 모델의 클래스‑특이적 그래디언트(Grad‑CAM) 정보를 활용해 방사선 전문의가 가장 의미 있는 레이어를 선정하도록 하였다. 선택된 레이어를 기반으로 다중 스케일 앙상블 네트워크를 구축해 가성진행(PsP)과 실제 진행(TTP)을 구분했으며, 최종 정확도 90.20%와 특이도 20% 이상 향상을 달성하였다. 투명성 확보와 앙상블 전략이 진단 신뢰성을 크게 높인 점이 핵심이다.

상세 분석

이 논문은 교모세포종(GBM) 환자에서 흔히 발생하는 가성진행(PsP)과 실제 종양 진행(TTP)을 MRI 영상만으로 자동 구분하는 방법론을 제시한다. 먼저 VGG‑16, ResNet‑50, DenseNet‑121이라는 세 가지 대표적인 CNN 아키텍처를 동일 데이터셋에 독립적으로 학습시켰다. 각 모델은 2‑class(PSP vs TTP) 분류를 위해 마지막 완전 연결층 앞의 특징 맵을 활용했으며, 학습 과정에서 교차 엔트로피 손실과 Adam 옵티마이저를 적용해 100 epoch까지 진행하였다. 모델의 블랙박스성을 보완하기 위해 클래스‑특이적 그래디언트 정보를 추출하는 Grad‑CAM 기법을 적용했으며, 이를 통해 각 레이어가 입력 MRI에서 어떤 영역에 주목하는지를 시각화했다. 방사선 전문의 3명이 각각의 CNN에 대해 시각화된 히트맵을 검토하고, 종양 병변과 가장 높은 상관성을 보이는 레이어를 선정하였다. 이 과정은 인간 전문가의 도메인 지식을 모델 해석에 직접 연결시키는 ‘투명성 가이드’ 단계로, 모델이 실제 임상적으로 의미 있는 영역에 집중하도록 유도한다. 선정된 레이어들의 출력 특징 맵을 다중 스케일 방식으로 결합해 새로운 앙상블 네트워크를 설계하였다. 구체적으로, 각 레이어의 특징 맵을 1×1 컨볼루션으로 차원 축소한 뒤, 채널을 맞춰 concatenate하고, 뒤이어 두 개의 3×3 컨볼루션 블록을 거쳐 최종 분류 헤드에 연결하였다. 이렇게 하면 서로 다른 깊이와 스케일에서 추출된 정보를 종합적으로 활용할 수 있다. 앙상블 모델은 기존 단일 모델 대비 정확도 90.20%를 기록했으며, 특히 특이도가 20% 이상 상승해 가성진행을 오진하는 경우가 크게 감소하였다. 통계적으로는 5‑fold 교차 검증을 통해 평균 AUC가 0.94에 달했으며, p‑값 <0.01 수준에서 기존 모델 대비 유의미한 개선을 보였다. 연구의 강점은 (1) 모델 해석을 전문가 피드백으로 보완한 투명성 확보, (2) 서로 다른 구조의 CNN을 다중 스케일로 결합한 앙상블 설계, (3) 제한된 환자 수(84명)에도 불구하고 견고한 검증 절차를 적용한 점이다. 그러나 데이터셋 규모가 작아 외부 검증이 부족하고, MRI 시퀀스가 T1‑contrast만 사용된 점은 일반화 가능성을 제한한다는 한계도 존재한다. 향후 다기관 데이터와 다양한 시퀀스(T2, FLAIR 등)를 포함한 확장 연구가 필요하다.