피부 병변 진단을 위한 데이터 증강과 해석 가능한 딥러닝 프레임워크

초록

본 연구는 HAM10000과 같은 다중 클래스 피부 병변 데이터셋의 클래스 불균형과 딥러닝 모델의 블랙박스 문제를 해결하기 위해, 클래스별 DCGAN 기반 데이터 증강과 ResNet‑50 기반 분류기를 결합한 CAD 시스템을 제안한다. LIME과 SHAP을 활용한 XAI 기법으로 예측 근거를 시각화함으로써 임상의가 신뢰할 수 있는 해석성을 제공한다. 전체 정확도 92.50 %와 Macro‑AUC 98.82 %를 달성했으며, 특히 멜라노마 NOS와 같은 위험군의 성능 향상을 위한 향후 연구 방향을 제시한다.

상세 분석

이 논문은 피부 병변 자동 진단 분야에서 두 가지 핵심 한계를 동시에 공략한다. 첫 번째는 데이터 불균형이다. HAM10000 데이터셋은 7개의 병변 클래스 중 일부(예: 악성 흑색종, 멜라노마 NOS)가 현저히 적은 샘플 수를 가지고 있어, 일반적인 딥러닝 분류기는 소수 클래스에 대한 과소적합을 보인다. 이를 해결하기 위해 저자들은 클래스별 Deep Convolutional GAN(DCGAN)을 학습시켜, 부족한 클래스마다 수천 장의 고품질 합성 이미지를 생성한다. 생성된 이미지의 품질을 평가하기 위해 FID(Frechet Inception Distance)와 IS(Inception Score)를 활용했으며, 기존 데이터와 비교했을 때 시각적으로도 임상의가 구분 가능한 수준임을 확인하였다. 두 번째는 모델 해석성이다. ResNet‑50을 전이 학습(fine‑tuning)하여 7‑class 분류기에 적용했지만, 단순히 높은 정확도만을 제시하는 것이 임상 적용에 충분하지 않다. 따라서 LIME(Local Interpretable Model‑agnostic Explanations)과 SHAP(Shapley Additive exPlanations) 두 가지 XAI 기법을 병행 적용하였다. LIME은 개별 이미지에 대해 중요한 픽셀 영역을 마스크 형태로 시각화하고, SHAP은 각 클래스에 대한 특성 기여도를 정량적으로 제공한다. 결과적으로 모델이 “불규칙한 형태”, “색상 변이”, “경계 불명확성” 등 피부 병변의 임상적으로 중요한 특징에 근거해 판단한다는 것을 증명하였다. 성능 면에서는 전체 정확도 92.50 %와 Macro‑AUC 98.82 %를 기록했으며, 특히 데이터 증강 전후의 클래스별 F1‑Score 변화를 상세히 보고한다. 멜라노마 NOS는 증강 후 F1‑Score가 0.8602로 상승했지만, 여전히 개선 여지가 남아 있어 향후 고해상도 이미지와 멀티모달(임상 메타데이터) 통합이 필요하다고 제언한다. 전체적으로 데이터 증강, 고성능 분류기, 그리고 투명한 해석 프레임워크를 일관되게 연결한 점이 본 연구의 가장 큰 강점이며, 실제 임상 현장에 적용 가능한 CAD 시스템 설계에 중요한 벤치마크를 제공한다.