구강암 병변 탐지를 위한 혁신적 RPA 아키텍처와 설계 패턴 적용

초록

본 연구는 구강암 병변 자동 판별 시스템에 로봇 프로세스 자동화(RPA)를 도입하고, Singleton 및 배치 처리 설계 패턴을 적용한 두 버전(OC‑RPAv1, OC‑RPAv2)을 비교한다. EfficientNetV2‑B1 기반 CNN 모델을 3,000여 장의 임상 이미지(4대 클래스, 16세부 유형)로 학습시킨 뒤, UiPath와 Python 연동을 통해 이미지 추론 파이프라인을 구축하였다. OC‑RPAv1은 이미지당 0.29 초, OC‑RPAv2는 0.06 초의 평균 예측 시간을 기록해 기존 RPA 대비 60‑100배 속도 향상을 달성했으며, 정확도·정밀도·재현율 등 주요 성능 지표는 기존 딥러닝 기반 방법과 동등하거나 약간 상회한다.

상세 분석

이 논문은 RPA와 딥러닝을 결합한 하이브리드 시스템을 구강암 병변 탐지에 적용한 최초 사례 중 하나로 평가할 수 있다. 먼저 데이터 전처리 단계에서 표준화, ImageNet 평균·표준편차 정규화, 그리고 Albumentations 기반 다중 변형을 이용해 224×224 픽셀 크기로 통일하고, 클래스 불균형을 해소하기 위해 오버샘플링과 레이블 별 복제 전략을 병행하였다. 이러한 전처리 파이프라인은 모델의 일반화 능력을 크게 향상시켰으며, 특히 소수 클래스에 대한 재현율을 높이는 데 기여했다.

모델 아키텍처는 사전 학습된 EfficientNetV2‑B1을 베이스라인으로 사용하고, 최상위 Fully‑Connected 레이어를 다중 클래스(4대 + 16세부) 분류에 맞게 재구성하였다. 초기 15 epoch 동안은 베이스 레이어를 고정하고 상위 레이어만 학습시켜 빠른 수렴을 유도했으며, 이후 10 epoch에 걸쳐 전체 레이어를 미세조정(fine‑tuning)함으로써 특성 추출 능력을 극대화했다. Adam 옵티마이저와 단계적 학습률 감소(ReduceLROnPlateau), 조기 종료(EarlyStopping) 등을 적용해 과적합을 방지하고 최적 모델을 자동 저장하였다.

RPA 구현 측면에서 가장 큰 차별점은 설계 패턴의 도입이다. OC‑RPAv1은 UiPath 워크플로우 내에서 매 이미지마다 Python 함수를 호출해 모델을 로드하고 추론한다. 이 방식은 매 호출 시 모델 초기화 오버헤드가 발생해 평균 0.29 초의 지연을 초래한다. 반면 OC‑RPAv2는 Singleton 패턴을 활용해 모델 인스턴스를 한 번만 메모리에 적재하고, 배치 처리 전략을 통해 다수 이미지를 한 번에 전달한다. 결과적으로 이미지당 평균 0.06 초로 대폭 가속화되었으며, 전체 31 이미지 처리 시간은 1.96 초에 불과했다. 이는 전통적인 RPA 기반 이미지 처리 파이프라인이 직면하는 ‘시퀀셜 병목’ 문제를 효과적으로 해소한 사례라 할 수 있다.

성능 평가에서는 표준 RPA(Automation Anywhere, UiPath)와 비교했을 때, OC‑RPAv2가 60‑100배 빠른 추론 속도를 보였으며, 정확도·정밀도·재현율은 기존 EfficientNetV2‑B1 기반 단일 추론 모델과 통계적으로 유의미한 차이가 없었다. 이는 설계 패턴을 적용해도 모델의 예측 품질이 유지된다는 중요한 증거가 된다. 다만 테스트 셋이 31 이미지에 불과해 통계적 신뢰도가 제한적이며, 실제 임상 현장에서의 대규모 배포 시 메모리 관리, 동시 사용자 접근 제어, 규제 준수(예: HIPAA) 등에 대한 추가 검증이 필요하다.

또한 논문은 비용 효율성 측면을 강조하지만, 실제 클라우드 인프라 비용, 라이선스 비용, 유지보수 인력 등을 정량화한 데이터가 부족하다. 향후 연구에서는 다양한 하드웨어 환경(GPU vs CPU)과 배포 시나리오(온프레미스 vs 클라우드)에서의 비용·성능 트레이드오프를 정량적으로 분석할 필요가 있다.

전반적으로 이 연구는 RPA와 딥러닝의 결합이 의료 영상 자동화에 실질적인 가치를 제공할 수 있음을 실증했으며, 설계 패턴을 통한 시스템 최적화가 추론 지연을 크게 감소시켜 임상 워크플로우에 바로 적용 가능한 수준으로 끌어올릴 수 있음을 보여준다.