유전 알고리즘 기반 신경망 구조 탐색으로 인간 정자 이미지 자동 평가

본 연구는 남성 불임 진단에 필수적인 정자 형태 분석(SMA)을 자동화하기 위해, 기존 수작업 방식이 갖는 주관성·재현성 부족·전문가 의존성 문제를 해결하고자 한다. 이를 위해 저해상도·노이즈·클래스 불균형이 심한 실제 의료 이미지에 적합한 NAS 프레임워크인 GeNAS를 설계하였다. 데이터는 235명의 환자로부터 수집된 1,540장의 정자 이미지로 구성된 MHSMA 데이터셋이며, 각 이미지에 대해 머리, 진공울, 아크로솜 세 부위의 정상·비정상 라벨이 부여되어 있다. GeNAS는 크게 네 가지 핵심 요소로 구성된다. 첫째, 검색 공간은 ‘plain CNN’으로 제한하여 레이어 수, 필터 크기, 스트라이드 등 기본적인 하이퍼파라미터만을 변형 대상으로 삼는다. 둘째, 탐색 전략은 전통적인 진화 연산인 교차·변이·토너먼트 선택을 적용하되, 깊이 탐색을 위한 특수 교차 연산과 유전자의 연속적 변이를 통한 미세 탐색을 병행한다. 셋째, 성능 추정 전략은 GeNAS‑WF(Weighting Factor)라는 가중치 기반 적합도 함수를 도입한다. 이 함수는 검증 정확도의 평균값뿐 아니라 학습 과정 중 정확도 변동성, 클래스별 가중치, 데이터 증강·오버샘플링 효과 등을 종합적으로 고려해, 불균형 데이터에서 과대평가되는 위험을 감소시킨다. 넷째, 해시 저장 메커니즘을 통해 이미 평가된 구조‑성능 쌍을 재사용함으로써 중복 학습을 방지하고 전체 연산 시간을 크게 절감한다. 또한, 페노타입 변환 단계에서 출력 차원이나 가중치가 비현실적인 값을 갖는 경우를 사전에 차단하는 프루닝 알고리즘을 적용해, 비실용적인 구조가 생성되는 것을 억제한다. 실험에서는 GeNAS를 10일 이내(1대 GPU)로 실행했으며, 최종 선택된 모델은 3가지 부위별 정확도에서 각각 91.66 %, 77.33 %, 77.66 %를 달성했다. 이는 기존 연구에서 보고된 최고 성능을 능가하는 결과이며, 파라미터 수와 레이어 깊이에서도 더 경량화된 구조임을 확인했다. 또한, GeNAS‑WF를 사용하지 않은 경우 검증 정확도의 급격한 변동으로 인해 최적 구조 탐색이 어려워지는 현상이 관찰되었으며, 해시 기반 재사용 없이 전체 탐색을 수행할 경우 GPU 사용 시간이 3배 이상 증가함을 보고하였다. 관련 연구와 비교했을 때, 대부분의 NAS 알고리즘은 ImageNet·CIFAR‑10 등 정제된 벤치마크에 최적화돼 있어 의료 이미지와 같은 노이즈·불균형 환경에 취약하다. 반면 GeNAS는 이러한 현실적 제약을 직접 고려한 설계 덕분에, 제한된 데이터와 연산 자원에서도 실용적인 성능을 제공한다. 논문은 또한 향후 연구 방향으로, 더 복잡한 스킵 연결·다중 스케일 모듈을 포함한 확장된 검색 공간, 그리고 멀티태스크 학습을 통한 전체 정자 형태 종합 평가 모델 개발을 제시한다. 결론적으로, GeNAS는 유전 알고리즘 기반 NAS가 의료 영상 분야에 적용될 수 있음을 입증했으며, 데이터 품질이 낮고 클래스 불균형이 심한 상황에서도 효율적인 구조 탐색과 높은 분류 정확도를 동시에 달성한다는 점에서 임상 적용 가능성을 크게 높였다.