초소형 고성능 히스토패스 이미지 분석을 위한 PlexusNet

초록

PlexusNet은 기존 CNN 대비 파라미터 수를 수십 배 줄이면서 전립선암·유방암 전이 검출에서 AUC 0.96~0.98 수준의 정확도를 유지한다. 모델 캘리브레이션과 임상 유용성에서도 우수한 결과를 보이며, 데이터 분할에 강인한 특성을 갖는다.

상세 분석

PlexusNet은 전통적인 대규모 CNN이 가진 과적합 위험을 최소화하기 위해 설계된 경량화 아키텍처이다. 핵심 아이디어는 “플렉서스(plexus) 구조”라 불리는 다중 경로 병렬 블록을 도입해, 각 경로가 서로 다른 수용 영역(receptive field)과 채널 수를 학습하도록 함으로써 표현력을 유지하면서 파라미터를 크게 감소시키는 것이다. 구체적으로, 입력 피처를 1×1, 3×3, 5×5 컨볼루션으로 동시에 처리한 뒤, 채널 축에서 합치는 방식을 채택했으며, 각 블록 사이에 깊이별 스킵 연결을 삽입해 그래디언트 흐름을 원활하게 했다. 이러한 설계는 ResNet이나 EfficientNet과 같은 최신 모델이 사용하는 복잡한 스테이지 구조를 대체하면서도, 동일한 이미지 해상도에서 비슷한 수준의 특징 추출 능력을 제공한다.

파라미터 효율성은 두 가지 실험에서 입증되었다. 전립선암 데이터셋(310개 H&E 이미지)에서는 PlexusNet‑A 모델이 23배 적은 파라미터(≈0.9 M)로 ResNet50(≈21 M)과 동등한 AUC 0.963을 기록했으며, 캘리브레이션 오류(예: Expected Calibration Error)도 현저히 낮았다. 유방암 전이 검출에서는 더욱 작은 PlexusNet‑B(≈0.1 M 파라미터)가 ResNet18(≈11 M) 대비 200배 적은 파라미터로 AUC 0.978을 달성했다. 특히, 모델이 제시한 확률값을 임계값으로 활용했을 때, 병리학자가 검토해야 할 슬라이드 수를 43.8 % 절감하면서도 놓친 병변이 없었다는 점은 임상 적용 가능성을 크게 높인다.

아블레이션 연구에서는 (1) 플렉서스 병렬 경로 제거, (2) 스킵 연결 삭제, (3) 1×1 압축 레이어 축소 등 세 가지 변형을 적용했다. 각 변형은 AUC와 캘리브레이션 모두에서 성능 저하를 일으켰으며, 특히 스킵 연결을 없앨 경우 그래디언트 소실이 발생해 학습이 불안정해졌다. 이는 PlexusNet이 경량화와 동시에 깊은 네트워크의 학습 안정성을 보장하기 위해 스킵 연결과 멀티스케일 병렬 처리를 필수적으로 결합했음을 시사한다.

데이터 분할 실험에서는 개발 집합을 무작위 70/30, 80/20, 그리고 계층적(stratified) 방식으로 나누었을 때, 모든 모델에서 캘리브레이션 차이가 발생했지만 PlexusNet은 다른 모델에 비해 분할 민감도가 낮았다. 이는 파라미터가 적어 과적합 위험이 감소하고, 멀티스케일 특징이 다양한 데이터 분포에 대해 보다 일반화된 표현을 제공하기 때문이다.

전체적으로 PlexusNet은 파라미터 효율성, 캘리브레이션 안정성, 임상 활용 가능성을 동시에 만족시키는 설계로, 제한된 연산 자원과 소량 데이터 환경에서도 고성능 히스토패스 이미지 분석을 가능하게 한다. 향후 다중 조직·다중 모달 데이터에 대한 확장과, 자동화된 파이프라인에의 통합이 기대된다.