약한 지도 학습 기반 패치 자동 라벨링으로 당뇨망막증 스크리닝 성능 향상

초록

SAFE는 두 단계로 구성된 프레임워크로, 전문가가 부분적으로 라벨링한 병변 패치를 이용해 대규모 패치 임베딩 공간을 학습하고, 다중 임베딩 앙상블과 불확실성 회피 메커니즘을 통해 미라벨 패치를 자동으로 라벨링한다. 0.9886의 패치 분류 정확도와, DR 분류 작업에서 AUPRC 0.545 향상 등 실질적인 성능 개선을 입증한다.

상세 분석

본 논문은 당뇨망막증(DR) 데이터셋에서 흔히 발생하는 ‘부분 라벨링’ 문제를 해결하기 위해 Similarity‑based Annotation via Feature‑space Ensemble (SAFE) 라는 새로운 약한 지도 학습 파이프라인을 제안한다. 핵심 아이디어는 패치 수준에서 병변을 인식하도록 설계된 Dual‑arm Patch Embedding Network (PEN) 를 이용해, (1) 이진 분류 손실(BCE)로 클래스 구분 능력을, (2) Supervised Contrastive Learning(SCL) 손실로 패치 간 의미적 유사성을 동시에 최적화한다는 점이다. 이렇게 학습된 임베딩은 L2 정규화된 단위 구면 위에 배치되어, 동일 클래스 패치들은 고코사인 유사도를 갖고, 이질 클래스는 멀어지도록 구조화된다.

두 번째 단계에서는 다중 독립 임베딩 공간(Ensemble) 을 활용한다. 각각의 임베딩은 서로 다른 초기화와 데이터 증강을 거쳐 학습되므로, 개별 모델의 편향을 상쇄하고 라벨 전파의 견고성을 높인다. 미라벨 패치(P_U)는 각 임베딩 공간에서 공간적·시맨틱 근접도를 기반으로 가장 유사한 라벨드 패치(P_L)와 매칭된다. 매칭 결과는 투표 방식으로 통합되며, Abstention Mechanism을 통해 신뢰도가 낮은 경우 라벨을 부여하지 않는다. 이를 정량화하기 위해 **Decided Rate(D_rate)**와 **Extended Misclassification Rate(MR)**라는 새로운 지표를 도입, 라벨 전파 범위와 오류율을 동시에 평가한다.

실험에서는 Messidor와 IDRiD 등 공개 DR 데이터셋을 사용해, 패치 분류 정확도 0.9886을 달성했으며, SAFE가 생성한 라벨을 기존 DR 분류 모델에 재학습시켰을 때, 특히 질병 클래스의 F1‑score와 AUPRC가 각각 평균 0.12와 0.545까지 크게 상승했다. 시각화 결과는 Grad‑CAM 등 Explainability 기법을 통해 SAFE가 실제 병변(미세동맥류, 출혈, 엑스투스) 영역에 집중함을 확인했으며, 안과 전문의의 정성적 평가에서도 높은 일치도를 보였다.

기술적 강점은 (1) 패치 수준 접근으로 미세 병변 손실을 최소화, (2) SCL과 BCE의 공동 최적화로 클래스 불균형에 강인함, (3) 앙상블과 Abstention을 통한 라벨 노이즈 억제, (4) 라벨 전파 효율성을 정량화하는 새로운 메트릭 제시이다. 한계점으로는 (①) 패치 크기(128×128)와 겹침 여부가 병변 크기에 따라 성능에 영향을 줄 수 있음, (②) 임베딩 앙상블 구축에 추가 학습 비용이 발생, (③) 현재는 이진 DR 라벨링에 초점을 맞추어 DR 단계별(경증·중증·증식) 구분에는 추가 연구가 필요하다. 향후 연구에서는 멀티‑스케일 패치, 트랜스포머 기반 임베딩, 그리고 임상 보고서와의 멀티모달 연계 등을 탐색할 여지가 있다.