모바일넷 기반 7종 피부암 자동 진단 시스템

초록

본 연구는 HAM10000 데이터셋을 활용해 사전학습된 MobileNet 모델을 전이학습하고, 7가지 피부 병변을 분류하는 자동화 시스템을 구축하였다. 최종 모델은 정확도 83.1%, Top‑2 정확도 91.36%, Top‑3 정확도 95.34%를 달성했으며, 가중 평균 정밀도 0.89, 재현율 0.83, F1‑점수 0.83을 기록하였다. 웹 애플리케이션으로 배포돼 일반인 및 의료 현장에서 실시간 보조 진단 도구로 활용 가능하다.

상세 분석

본 논문은 피부암 조기 진단을 위한 딥러닝 기반 다중 클래스 분류기의 실용성을 검증한다. 데이터는 전 세계적으로 널리 사용되는 HAM10000(10,015장) 이미지와 메타데이터를 그대로 사용했으며, 7개의 레이블(악성 흑색종, 악성 기저세포암, 양성 각질종 등)으로 구성하였다. 이미지 전처리 단계에서는 원본 해상도(600×450)를 224×224 픽셀로 리사이즈하고, 색상 정규화와 랜덤 회전·좌우 반전 등 데이터 증강을 적용해 모델의 일반화 능력을 강화하였다.

전이학습 전략으로는 ImageNet으로 사전학습된 MobileNetV2를 선택했는데, 이는 경량화된 깊이별 분리 합성곱(depthwise separable convolution) 구조 덕분에 파라미터 수가 약 3.5M에 불과하면서도 높은 표현력을 유지한다. 기존의 대규모 CNN(ResNet, Inception) 대비 연산량이 적어 실시간 추론이 가능하고, 모바일 및 웹 환경에 적합하다. 논문에서는 MobileNet의 최상위 Fully Connected 레이어를 7‑class softmax 출력으로 교체하고, 전체 네트워크를 30 epoch 동안 학습시켰다. 옵티마이저는 Adam(learning_rate=1e‑4)이며, 클래스 불균형을 완화하기 위해 가중치가 적용된 교차 엔트로피 손실 함수를 사용하였다.

성능 평가는 정확도 외에도 Top‑k 정확도와 가중 평균 정밀도·재현율·F1‑점수를 제시함으로써 실제 임상 상황에서의 오류 유형을 파악한다. 83.1%의 Top‑1 정확도는 기존 연구(ResNet‑50 기반 78~81%)와 비교해 소폭 개선되었으며, Top‑2·Top‑3 정확도가 각각 91.36%와 95.34%에 달해 다중 후보 제시가 가능한 보조 진단 도구로서 충분히 신뢰할 만하다. 특히 가중 평균 정밀도 0.89는 양성 병변을 과다하게 오진하는 위험을 낮추는 데 기여한다.

한계점으로는 데이터셋이 주로 백인 인구를 중심으로 수집돼 인종·피부톤 다양성이 부족하다는 점, 그리고 이미지 품질(조명, 포커스 등)이 현장 사진과 차이가 있을 수 있다는 점을 들었다. 또한 모델은 7가지 레이블에만 국한돼 있어 실제 임상에서는 더 세분화된 병변 구분이 필요할 수 있다. 향후 연구에서는 멀티모달 입력(임상 정보·환자 연령·부위 등)과 앙상블 기법을 도입해 정확도를 90% 이상으로 끌어올리는 것이 목표다.

배포 측면에서는 GitHub Pages 기반의 웹 애플리케이션을 구현해 사용자가 이미지를 업로드하면 실시간으로 예측 결과와 확률 분포를 시각화한다. 경량 모델 덕분에 브라우저 내에서 추론이 가능해 서버 비용을 최소화하고, 개인정보 보호 측면에서도 장점이 있다. 이러한 접근은 1차 진료 현장이나 원격 의료 서비스에 즉시 적용될 수 있는 실용적인 솔루션을 제공한다.