멜라노마넷 피부 병변 분류와 설명 가능한 인공지능

초록

멜라노마넷은 EfficientNet‑V2‑M을 백본으로 사용하고 GradCAM++, ABCDE 자동 추출, FastCAV 개념 기반 설명, Monte Carlo Dropout 불확실성 추정을 결합한 다중 설명 가능한 피부 병변 분류 모델이다. ISIC 2019 데이터셋(9 클래스, 25 331 이미지)에서 85.61% 정확도와 0.8564의 가중 F1 점수를 달성했으며, 시각적 주의 지도와 임상 기준 연계, 개념 중요도, 불확실성 구분을 통해 임상의 신뢰를 높인다.

상세 분석

본 논문은 피부 병변 자동 분류에 있어 정확도와 해석 가능성을 동시에 추구한다는 점에서 의미가 크다. 모델의 핵심은 EfficientNet‑V2‑M을 사용해 384 × 384 해상도의 이미지를 고효율적으로 특징 추출한다는 점이다. EfficientNet‑V2‑M은 54 M 파라미터 규모로 최신 CNN 대비 학습 속도와 파라미터 효율성이 우수해, 의료 영상처럼 미세한 디테일이 중요한 분야에 적합하다.

해석 가능성은 네 가지 모듈로 다층적으로 제공된다. 첫째, GradCAM++는 클래스별 예측에 가장 크게 기여한 영역을 히트맵으로 시각화한다. 기존 Grad‑CAM보다 픽셀‑단위 가중치를 정교히 계산해 다중 객체와 경계가 복잡한 병변에서도 정확한 영역을 강조한다. 둘째, ABCDE 임상 기준 자동 추출은 Otsu 이진화와 형태학적 후처리를 통해 병변 마스크를 얻고, 비대칭, 경계 불규칙성, 색상 다양성, 직경을 정량화한다. 이 점수는 임상의가 익숙한 판단 근거와 직접 연결돼 모델 설명의 친숙성을 높인다. 셋째, Fast Concept Activation Vectors(FastCAV)는 임상 개념(비대칭, 불규칙 경계, 다색, 큰 직경)에 대한 선형 분류기를 특징 공간에 학습시켜 개념 벡터를 도출한다. 각 개념에 대한 CAV 점수는 해당 개념이 예측에 긍정적 혹은 부정적으로 작용했는지를 수치화한다. 넷째, Monte Carlo Dropout을 10회 반복 적용해 예측 평균, 엔트로피 기반 예측 불확실성, 분산 기반 에피스테믹 불확실성, 개별 엔트로피 평균을 통한 알레아토릭 불확실성을 구한다. 이를 통해 “신뢰할 수 있음/불확실” 플래그를 자동으로 생성한다.

학습 단계에서는 가중치가 반비례하도록 클래스 가중치를 부여한 가중 교차 엔트로피 손실을 사용해 데이터 불균형을 보정한다. AdamW 옵티마이저와 코사인 학습률 스케줄링, 혼합 정밀도 학습, 다양한 기하·색상 변형을 적용해 일반화 성능을 강화한다.

성능 평가에서는 전체 정확도 85.61%와 가중 F1 0.8564를 기록했으며, 특히 다수 클래스인 Nevus와 BCC에서 높은 F1(0.91, 0.89)을 달성했다. Melanoma 클래스는 F1 0.77으로 비교적 낮지만, 100% 신뢰도와 높은 알레아토릭 불확실성으로 위험 사례를 식별한다. GradCAM‑ABCDE 정렬 지표는 평균 병변 영역 주의도 0.60, 경계 정렬 0.53을 보여 모델이 임상적으로 중요한 영역에 집중하고 있음을 정량적으로 입증한다.

한계점으로는 ABCDE 자동 추출이 전통적인 이미지 처리 기반이라 병변 복잡도에 따라 마스크 품질이 저하될 수 있고, FastCAV 학습에 필요한 개념 라벨링이 전문가 주관에 의존한다는 점이다. 또한 MC Dropout은 추정된 불확실성이 실제 임상 위험과 완전히 일치한다는 검증이 추가로 필요하다. 향후 연구에서는 딥러닝 기반 세그멘테이션과 더 정교한 베이지안 방법을 결합해 해석 정확도와 불확실성 신뢰성을 동시에 향상시킬 수 있다.