WoundNet‑Ensemble: 자가지도 학습과 다중 모델 융합을 통한 고정밀 상처 분류 및 치유 추적 IoMT 시스템

초록

본 논문은 ResNet‑50, 자가지도 학습 기반 Vision Transformer DINOv2, Swin Transformer 세 모델을 가중 소프트 보팅 방식으로 결합한 WoundNet‑Ensemble을 제안한다. 5,175장의 6가지 상처 이미지 데이터셋에서 99.90%의 정확도를 달성했으며, 상처 치유 속도·중증도 계산 및 임상 알림 기능을 포함한 장기 추적 모듈을 구현하였다. 모델 및 코드 공개를 통해 재현성을 확보하고, IoMT 기반 원격 진료에 적용 가능하도록 설계하였다.

상세 분석

WoundNet‑Ensemble은 현재 상처 진단에서 흔히 발생하는 주관적 평가와 라벨 부족 문제를 동시에 해결하려는 시도로, 세 가지 최신 딥러닝 아키텍처를 서로 보완하도록 설계하였다. 첫 번째 구성요소인 ResNet‑50은 ImageNet 사전학습 가중치를 이용해 강건한 로컬 특징을 추출한다. 이는 전통적인 CNN 기반 접근법의 장점을 유지하면서, 깊은 잔차 연결을 통해 학습 안정성을 확보한다. 두 번째인 DINOv2(ViT‑S/14)는 1억 4천2백만 이미지에 대한 자가지도 사전학습을 통해 얻은 풍부한 전이 학습 능력을 활용한다. 의료 영상처럼 라벨이 제한된 도메인에서, DINOv2는 일반적인 시각적 패턴을 효과적으로 캡처해 미세한 조직 변화까지 구분할 수 있다. 세 번째 Swin Transformer는 계층적 윈도우 셀프 어텐션을 적용해 고해상도 이미지에서도 전역적 컨텍스트와 지역적 텍스처를 동시에 학습한다. 상처 이미지에서는 상처 주변 피부 색상, 주변 혈관 분포, 조직 손상 정도 등 다양한 스케일의 정보가 진단에 중요하므로, Swin의 멀티스케일 특성이 큰 강점으로 작용한다.

세 모델의 출력 확률 벡터에 대해 검증 정확도 기반 가중치를 부여하는 “가중 소프트 보팅”을 적용했으며, 가중치는 각 모델의 검증 정확도와 정규화된 성능 비율을 곱해 산출한다(식 1). 이 방식은 단순 평균보다 개별 모델의 신뢰도를 반영하면서도, 모델 간 다양성을 유지한다는 점에서 임상 AI 시스템에 적합하다.

데이터 측면에서는 공개 의료 이미지 저장소와 협력 병원으로부터 수집한 5,175장의 고해상도 사진을 6가지 임상적 상처 유형(당뇨성 족부 궤양, 압력 궤양, 정맥 궤양, 화상, 파일로니달 누공, 악성 종양)으로 라벨링하였다. 각 클래스는 700~750장 정도로 비교적 균형 잡힌 분포를 보이며, 훈련‑검증‑테스트 비율은 80:10:10으로 설정했다. 이미지 전처리는 224×224 픽셀 표준화와 회전, 플립, 색상 왜곡 등 현실적인 촬영 변동을 모사하는 광범위한 증강을 포함한다. 이는 현장 스마트폰 촬영이나 저조도 환경에서도 모델의 일반화를 높이는 데 기여한다.

훈련 프로토콜은 AdamW 옵티마이저와 코사인 스케줄러, 라벨 스무딩(0.1), 그래디언트 클리핑(1.0)을 적용했으며, 백본 학습률은 1e‑5~1e‑4, 분류 헤드 학습률은 1e‑4로 설정해 15 epoch 내 조기 종료(patience=7)하였다. 결과적으로 ResNet‑50는 100% 정확도, DINOv2와 Swin은 각각 99.81%를 기록했으며, 가중 앙상블은 99.90%라는 거의 완벽에 가까운 성능을 달성했다. 특히, 오분류는 당뇨성 족부 궤양과 정맥 궤양 사이에서 0.1% 미만으로 발생했으며, 이는 임상적으로 가장 혼동이 잦은 두 유형을 구분하는 데 모델이 미세한 차이를 학습했음을 시사한다.

또한, 논문은 장기 치유 추적 모듈을 구현해 상처 면적 감소율, 총 치유 비율, 중증도 점수 등을 자동 계산하고, 치유 속도가 감소하거나 면적이 증가하는 경우 실시간 알림을 생성한다. 환자 P001 사례에서 21일간 67.72%의 총 치유와 평균 4.41%/day의 회복률을 정확히 측정했으며, “Improving” 트렌드 알림을 정상적으로 발송했다. 이러한 기능은 원격 진료 시 환자 상태를 지속적으로 모니터링하고, 조기 개입이 필요한 경우 의료진에게 즉시 통보할 수 있는 실용적 가치를 제공한다.

제한점으로는 (1) 데이터셋이 6가지 상처 유형에 국한돼 있어 동맥성 궤양, 수술 후 상처 등 다른 임상 상황에 대한 일반화가 미흡하고, (2) 현재는 이미지 단일 모달리티만 사용해 환자 병력·생체 신호와 같은 다중 모달 데이터를 활용하지 못한다는 점을 인정한다. 저자는 향후 다중 센서 밴드, 전자 건강 기록 연동 등을 통해 멀티모달 학습과 예측 모델링을 확대할 계획이라고 밝혔다.

전반적으로, 최신 CNN·ViT·Swin을 조화롭게 결합한 앙상블 설계, 자가지도 사전학습 활용, 실시간 치유 추적 기능, 그리고 IoMT 친화적인 경량화 및 엣지 배포 가능성을 모두 갖춘 점에서 임상 AI 연구에 의미 있는 진전을 제시한다. 특히, 모델 가중치와 코드 공개를 통한 재현성 확보는 학계·산업계가 실제 의료 현장에 적용하기 위한 중요한 전제조건을 충족한다.