그래프 주의와 퍼지 규칙으로 풀어낸 유방암 조직 이미지 해석형 분류

초록

GAFR‑Net은 조직 이미지 간 유사성을 그래프로 표현하고, 다중 헤드 그래프 어텐션으로 관계 특징을 추출한 뒤, 노드의 클러스터링 계수·차수·라벨 일치도와 같은 위상 지표를 퍼지 규칙에 매핑해 “IF‑THEN” 논리로 결과를 설명한다. BreakHis, Mini‑DDSM, ICIAR2018에서 기존 CNN·Transformer·GNN 모델을 능가하는 정확도와 해석성을 보였다.

상세 분석

본 논문은 유방암 조직 병리 이미지의 제한된 라벨 환경에서 고성능·고해석성을 동시에 달성하고자 하는 문제의식에서 출발한다. 기존 CNN 기반 접근법은 국소 수용 영역에 의존해 전역적인 조직 구조를 포착하기 어려우며, 데이터가 희소하거나 불균형일 때 과적합 위험이 크다. 최근 GNN이 비유클리드 관계를 모델링한다는 점에서 주목받았지만, 대부분이 블랙박스 형태라 임상 적용에 필요한 투명성을 제공하지 못한다는 한계가 있다.

GAFR‑Net은 이러한 두 갈래의 한계를 해소하기 위해 (1) 이미지 간 유사도 기반 그래프를 동적으로 구축하고, (2) 다중 헤드 그래프 어텐션(GAT)으로 이웃 노드의 중요도를 학습한다. 그래프 구축 단계에서는 사전 학습된 피처(예: ResNet‑50)로부터 코사인 유사도를 계산하고, 임계값 τ 를 초과하는 쌍에만 엣지를 부여한다. 이는 샘플 간 의미적 연관성을 명시적으로 그래프 구조에 반영함으로써, 작은 데이터셋에서도 관계 정보를 효과적으로 활용한다.

위상 특징 추출에서는 클러스터링 계수 C(u), 노드 차수 d(u), 두 홉 라벨 일치도 L(u) 세 가지 지표를 선택했다. C(u)는 지역 밀집도를, d(u)는 그래프 내 중심성을, L(u)는 주변 라벨의 일관성을 나타내며, 각각이 병변의 조직학적 특성과 연관될 가능성이 있다. 이러한 수치형 지표를 그대로 퍼지 규칙 모듈에 입력함으로써, 인간 전문가가 사용하는 “고밀도·라벨 일치”와 같은 직관적 판단을 수치화한다.

퍼지 규칙 모듈은 가우시안 멤버십 함수를 가변 파라미터로 학습한다. 즉, µ_k(f_u) 는 각 위상 지표를 “낮음·보통·높음” 등 언어적 퍼지 집합에 매핑하고, 규칙 가중치 α_k 가 학습을 통해 중요도를 조정한다. 규칙 활성화 r(u)=∑_k α_k µ_k(f_u) 는 노드 임베딩 h_u 와 게이팅 방식으로 결합되어 h′_u = h_u + r(u) 를 만든다. 이 설계는 (i) 관계 기반 특징 h_u 와 (ii) 해석 가능한 논리 r(u) 를 동시에 활용해 예측 정확도를 높이고, (iii) 최종 소프트맥스 레이어 이전에 “왜 이런 결과가 나왔는가”를 명시적으로 제공한다는 점에서 혁신적이다.

실험에서는 BreakHis(40×400× 4배 확대), Mini‑DDSM, ICIAR2018 세 데이터셋에 대해 10개 이상의 최신 모델(ResNet‑50, EfficientNet, Swin‑Transformer, HoRFNet, CellSage 등)과 비교하였다. GAFR‑Net은 모든 배율에서 AUC‑ROC 0.9380.964, Cohen’s Kappa 0.78~0.81을 기록했으며, 특히 클래스 불균형이 심한 400× 배율에서 가장 큰 성능 격차를 보였다. 또한, 규칙 시각화 예시를 통해 “노드 차수가 높고 라벨 일치도가 강할수록 악성 확률이 상승한다”는 직관적 설명을 제공, 의사결정 과정에 대한 신뢰성을 높였다.

한편 한계점도 존재한다. (1) 그래프 구축 시 유사도 계산 비용이 O(N²)이며, 대규모 데이터셋에선 샘플링이나 근사 기법이 필요하다. (2) 퍼지 규칙의 수와 멤버십 함수 형태를 사전에 정의해야 하는데, 이는 도메인 전문가의 사전 지식에 의존한다. (3) 논문에서는 규칙 수에 대한 민감도 분석이나 멤버십 함수 초기화 전략을 충분히 탐색하지 않아, 실제 임상 적용 시 최적 파라미터 탐색이 추가 작업을 요구한다. (4) 외부 기관 데이터나 프로스펙티브 코호트에 대한 검증이 부족해 일반화 가능성을 완전히 입증하기엔 부족하다.

종합하면, GAFR‑Net은 그래프 기반 관계 학습과 퍼지 논리 해석을 유기적으로 결합해, 제한된 라벨 환경에서도 높은 분류 성능과 인간이 이해 가능한 진단 근거를 동시에 제공한다는 점에서 의료 AI 분야에 중요한 전진을 제시한다. 향후 연구에서는 그래프 축소 기법, 자동 규칙 탐색, 다기관 임상 검증을 통해 실용성을 더욱 강화할 여지가 있다.