프로스테이트 MRI 기반 종양 초점 분류를 위한 딥러닝 및 전통 머신러닝 융합 접근

초록

본 연구는 전립선 다중파라미터 MRI 데이터가 적고 불균형한 상황에서, 맞춤형 워크플로우를 설계하여 CNN으로부터 추출한 특징을 전통적인 머신러닝 분류기에 입력함으로써 종양 초점(Classification) 성능을 향상시키고, 모델 해석 기법을 적용해 의료 영상에서 딥러닝이 어떻게 정보를 활용하는지 밝힌다.

상세 분석

이 논문은 전립선 mpMRI 데이터의 특수성을 고려한 두 단계 파이프라인을 제안한다. 첫 번째 단계에서는 제한된 훈련 샘플을 보완하기 위해 전이 학습(transfer learning) 기반의 합성곱 신경망(CNN)을 활용한다. 사전 학습된 ResNet‑50 모델을 초기 가중치로 사용하고, 마지막 몇 개 레이어만 미세조정(fine‑tuning)함으로써 도메인 특화 특징을 학습한다. 데이터가 극히 적고 클래스 비율이 1:4 정도로 불균형하기 때문에, 저자들은 강도 변형, 회전, 스케일링, 가우시안 노이즈 추가 등 다양한 데이터 증강 기법을 적용해 학습 샘플을 인위적으로 확대하였다. 또한, 클래스 가중치가 반영된 교차 엔트로피 손실함수를 도입해 소수 클래스(고위험 종양 초점)의 학습을 강화하였다.

두 번째 단계에서는 CNN의 마지막 풀링 레이어 직전에서 추출한 2048 차원의 고차원 특징 벡터를 전통적인 머신러닝 분류기에 전달한다. 여기서는 주성분 분석(PCA)으로 차원을 100 이하로 축소한 뒤, 서포트 벡터 머신(SVM)과 랜덤 포레스트(RF)를 각각 실험하였다. 교차 검증(k‑fold, k=5) 결과, SVM이 가장 높은 AUC(0.89)를 기록했으며, RF는 민감도(Recall)에서 우수한 성능을 보였다. 이러한 하이브리드 접근법은 순수 CNN 기반 엔드‑투‑엔드 모델이 과적합(overfitting)으로 인해 0.72 수준에 머물렀던 것과 대비된다.

해석 측면에서는 Grad‑CAM과 SHAP(Shapley Additive exPlanations)를 결합해 모델이 주목하는 해부학적 영역을 시각화하였다. 결과는 전립선 주변 피질, 전립선 중앙대(central gland) 및 주변 지방 조직이 종양 초점 구분에 핵심적인 역할을 한다는 것을 보여준다. 특히, 고위험 초점이 있는 경우, 모델이 T2‑weighted 이미지의 저신호 영역과 ADC(확산계수) 맵의 고신호 영역을 동시에 강조하는 경향이 관찰되었다. 이는 방사선과 의사가 실제로 진단에 활용하는 특징과 일치하여, 딥러닝 모델의 ‘블랙 박스’ 특성을 어느 정도 해소한다.

또한, 저자들은 데이터 불균형을 완화하기 위해 SMOTE(Synthetic Minority Over‑sampling Technique)와 같은 오버샘플링 기법을 실험했지만, 이미지 기반 특성에서는 합성 샘플이 실제 MRI와 물리적 차이를 보이므로, 최종적으로는 손실 함수에 클래스 가중치를 부여하는 방식이 가장 효과적이었다는 결론을 내렸다.

전체적으로 이 연구는 (1) 제한된 의료 영상 데이터에 적합한 전이 학습 및 데이터 증강 전략, (2) CNN 특징을 전통 머신러닝에 재활용해 과적합을 방지하고 성능을 극대화하는 하이브리드 모델, (3) Grad‑CAM·SHAP 기반의 다중 모달 해석 프레임워크를 제시함으로써, 전립선 mpMRI 기반 종양 초점 분류에 대한 실용적이고 해석 가능한 솔루션을 제공한다는 점에서 의의가 크다.