다중모달 딥러닝을 활용한 환자 상처 치유 위험 예측

초록

본 논문은 상처 이미지와 임상의가 기록한 21개의 임상 변수를 결합한 다중모달 딥러닝 프레임워크를 제안한다. 전이학습 기반 Xception CNN으로 상처 유형·위치·단계·관절·골 괴사를 예측하고, 이 예측값과 추가 임상 정보를 LightGBM에 입력해 환자의 입원 위험(치유/비치유)을 이진 분류한다. 실험 결과, 상처 유형·위치 예측에서 F1‑score 0.81~0.88을 달성했으며, 입원 위험 모델은 전체 F1‑score 0.78(치유)·0.88(비치유)을 기록하였다.

상세 분석

본 연구는 상처 관리 비용 절감을 목표로, 이미지 기반 자동 진단과 임상 변수 기반 위험 예측을 동시에 수행하는 통합 모델을 설계하였다. 핵심은 두 단계의 파이프라인이다. 첫 번째 단계에서는 사전학습된 Xception 네트워크(Depthwise separable convolution 기반)를 5개의 주요 상처 변수(상처 유형, 위치, 단계, 관절 괴사, 골 괴사) 예측에 fine‑tuning하였다. 데이터 불균형을 완화하기 위해 클래스별 증강(회전·색상 변형·크롭)을 적용하고, 5‑fold 교차 검증을 수행해 일반화 성능을 확보하였다. 다중태스크 학습을 활용해 단계·관절·골 괴사 예측을 상처 유형과 공동 학습시킴으로써 변수 간 상관관계를 모델이 내재하도록 설계하였다. 모델 학습은 Adadelta 옵티마이저(learning rate 0.001)와 50 epoch, batch size 32로 진행되었으며, 최종 softmax 레이어를 통해 클래스별 확률을 출력한다.

두 번째 단계에서는 첫 단계에서 추출된 5개의 예측값과 임상의가 직접 입력한 16개의 임상 변수(예: BMI, 연령, 성별, 상처 면적·부피 등)를 결합하여 LightGBM 기반 이진 분류기를 학습시켰다. LightGBM은 트리 기반 모델로, 높은 차원의 혼합형 데이터에 대해 빠른 학습과 뛰어난 성능을 제공한다. 입원 위험 라벨은 ‘Hospitalization‑Wound Related’와 ‘Treatment Complete (In active)’ 두 클래스로 정의했으며, 클래스 불균형을 고려해 가중치를 조정하였다. 평가 지표는 정밀도, 재현율, F1‑score이며, 치유 클래스에서 재현율 0.91, 정밀도 0.68, F1‑score 0.78을, 비치유 클래스에서 정밀도 0.99, 재현율 0.79, F1‑score 0.88을 기록하였다.

실험 데이터는 5가지 주요 궤양 유형(당뇨성, 압력성, 외과적, 외상성, 정맥성)으로 구성된 1.5 만 장 이상의 이미지와, 각 이미지에 대한 상세 라벨(위치·단계·괴사 여부 등) 및 임상 메타데이터를 포함한다. 데이터는 70 % 훈련, 10 % 검증, 20 % 테스트 비율로 분할했으며, 이미지 품질 저하(폐색, 조명 변화, 변형)와 클래스 불균형을 주요 도전 과제로 제시하고, 이를 해결하기 위한 전처리와 데이터 증강 전략을 상세히 기술하였다.

한계점으로는 라벨링 오류 가능성, 단일 기관 데이터에 기반한 일반화 부족, 그리고 이미지 외에 영상 기반 깊이·온도 정보가 포함되지 않은 점을 들 수 있다. 향후 연구에서는 멀티센터 데이터 확보와 3D·멀티스펙트럼 이미지 통합, 그리고 시계열 모델링을 통한 치유 진행 예측을 확대할 계획이다.