열영상으로 보는 유방 밀도 추정 DensiThAI 다중뷰 딥러닝 프레임워크

초록

본 연구는 방사선 노출이 없는 적외선 열영상으로 유방 밀도를 추정할 수 있는 가능성을 탐색한다. 3,500명의 여성 데이터를 이용해 5가지 표준 뷰를 촬영하고, 뷰 정규화·다중뷰 특징 추출·평균 풀링·이진 분류의 4단계로 구성된 DensiThAI 모델을 개발하였다. 10번의 무작위 데이터 분할에서 평균 AUROC 0.73(±0.016)을 달성했으며, 연령대별 성능 차이가 없음을 확인했다.

상세 분석

이 논문은 기존 유방 촬영술이 방사선을 사용한다는 한계를 극복하고자, 적외선 열영상이 조직의 열물리적·생리학적 차이를 반영한다는 가설을 세웠다. 섹션 2에서는 Pennes bioheat 방정식을 기반으로 지방조직과 선 조직의 열전도도, 혈류 관류율, 대사열 발생량 등의 차이를 정량화하고, 이러한 차이가 표면 온도에 0.1~0.5 °C 정도의 미세 변화를 만든다고 제시한다. 이러한 물리적 근거는 딥러닝이 “절대 온도”보다는 “온도 구배”에 민감하게 학습하도록 설계된 view normalization 단계와 일맥상통한다.

모델 아키텍처는 VGG‑16 기반의 컨볼루션 인코더를 5개의 뷰에 가중치 공유 방식으로 적용해 view‑invariant 특징을 추출한다. 각 뷰는 224 × 224 × 3 형태로 변환 후 글로벌 평균 풀링을 거쳐 512 차원의 latent vector를 만든다. 이후 단순 평균 풀링을 통해 다중뷰 정보를 통합하고, 선형 레이어와 sigmoid 활성화로 밀도(다밀도 vs 저밀도) 확률을 예측한다. 가중치 초기화에 ImageNet 사전학습을 활용하고, 열영상 특성에 맞게 미세조정함으로써 데이터 양이 제한적인 상황에서도 과적합을 방지한다.

실험 설계는 3,500명(다밀도 1,065명, 저밀도 2,435명)의 멀티센터 데이터를 60 % / 20 % / 20 % 비율로 학습·검증·테스트 셋으로 나누고, 이를 10개의 랜덤 시드에 대해 반복해 평균 ± 표준편차를 보고한다. 전체 뷰를 사용한 경우 AUROC 0.73 ± 0.016, AUPRC 0.56 ± 0.023을 기록했으며, 유방 영역만 크롭한 경우에도 AUROC 0.72 ± 0.026 수준을 유지했다. 이는 열영상이 유방 전체와 국소 영역 모두에서 밀도 관련 정보를 제공함을 의미한다.

또한, 단일‑뷰 모델과 전통적인 radiomics + Random Forest 기반 베이스라인을 비교했을 때, 다중뷰 DensiThAI가 AUROC 0.73 대 0.62(베이스라인)로 유의미하게 우수함을 확인했다. 연령대별(≤45 yr, >45 yr) 성능 차이가 거의 없으며, Mann‑Whitney U 검정에서 p < 1e‑7 수준의 통계적 유의성을 보였다. 이는 모델이 연령에 따른 외형적 변형(가슴 처짐 등)보다 조직 물성 차이에 기반한 특징을 학습했음을 시사한다.

전체적으로 이 연구는 (1) 열영상이 조직의 열물리적 차이를 반영한다는 물리‑생리학적 근거, (2) 다중뷰 정규화·공유‑가중치 컨볼루션·단순 풀링이라는 설계가 작은 온도 차이를 효과적으로 추출한다는 방법론적 혁신, (3) 대규모 멀티센터 임상 데이터에서 재현 가능한 성능을 보였다는 실증적 기여를 제공한다. 향후 연구에서는 온도 변동성을 최소화하기 위한 환경 제어, 더 정교한 3D 열전달 모델링, 그리고 밀도 외에도 지방·선 조직 비율을 정량화하는 회귀형 확장 등을 통해 임상 적용 가능성을 높일 수 있을 것이다.