Toward Reliable and Explainable Nail Disease Classification: Leveraging Adversarial Training and Grad-CAM Visualization

기술 요약: 신뢰할 수 있고 설명 가능한 손톱 질환 분류를 향하여

문제 정의
인간의 손톱 질환은 흑색종과 같은 광범위한 전신 건강 문제나 상태를 나타낼 수 있으나, 심각해질 때까지 간과되는 경우가 많습니다. 정확하고 조기 진단이 매우 중요하지만, 질병 유형 간의 미묘한 시각적 차이와 특히 개발도상국을 중심으로 한 임상 현장에서의 자동화된 진단 도구 부족으로 인해 어려움이 따릅니다. 전통적인 탐지 방법은 육안 검사에 크게 의존하며, 이는 주관적이고 오류가 발생하기 쉽습니다. 본 논문은 피부과 의사가 임상 이미지를 통해 손톱 질환을 분류하는 것을 보조할 수 있는 자동화되고 신뢰할 수 있으며 설명 가능한 머신러닝 시스템의 필요성을 다룹니다.

방법론
본 연구는 Kaggle에서 제공하는 공개 데이터셋을 활용하며, 해당 데이터셋은 흑색종(Acral Lentiginous Melanoma), 조갑흑증(Onychogryphosis), 청색 손가락(Blue Finger), 클럽빙(Clubbing), 함몰증(Pitting), 그리고 건강한 손톱(Healthy Nail)의 6개 클래스로 분류된 3,835개의 손톱 이미지를 포함합니다. 방법론은 다음과 같은 구조화된 파이프라인을 따릅니다:

1. 데이터 전처리: 이미지의 일관성을 위해 224×224 픽셀로 크기를 조정하였으며, 색상 품질을 높이고 데이터 다양성을 증대시키기 위해 정규화 및 증강(augmentation)을 수행했습니다. 데이터는 훈련(70%), 검증(20%), 테스트(10%) 세트로 분할되었습니다.
2. 모델 아키텍처: 전이 학습(transfer learning)을 사용하여 InceptionV3, DenseNet201, EfficientNetV2, ResNet50의 네 가지 최첨단 합성곱 신경망(CNN) 아키텍처를 평가했습니다.
3. 학습 전략: 노이즈가 있거나 까다로운 입력값에 대한 모델의 강건성(robustness)을 높이기 위해, 저자는 생성적 적대 훈련(adversarial training)을 채택하여 다양한 수준의 노이즈(epsilon)를 가진 적대적 예시를 생성함으로써 일반화 능력을 향 향상시켰습니다.
4. 설명 가능성(XAI): 의료 전문가들에게 모델의 결정이 투명하고 신뢰할 수 있도록 하기 위해, 본 연구는 중요한 영역의 히트맵을 시각화하는 Grad-CAM과 예측에 대한 특징 기여도를 정량화하는 SHAP(SHapley Additive exPlanations)을 통합했습니다.

주요 결과
실험적 분석은 정확도, 정밀도, 재현율, F1-스코어에 걸쳐 네 가지 모델의 성능을 비교했습니다:

• 성능 비교: InceptionV3가 테스트 정확도 **95.57%**를 달성하며 가장 우수한 성능을 보였으며, DenseNet201이 **94.79%**로 그 뒤를 바짝 쫓았습니다. EfficientNetV2와 ResNet50 또한 평가되었으나 상위 두 모델에 비해 낮은 결과를 나타냈습니다.
• 적대적 훈련의 영향: 적대적 훈련의 적용은 InceptionV3 모델의 강건성을 유의미하게 향상시켰습니다. 최적의 엡실론(epsilon) 값인 0.14는 검증 손실 0.2031과 함께 **95.94%**의 가장 높은 검증 정확도를 기록하였으며, 이는 적절한 노이즈 주입이 모델이 입력 방해를 더 잘 처리하도록 돕는다는 것을 입증했습니다.
• 클래스별 성능: InceptionV3는 "건강한 손톱"에 대해 완벽한 정밀도(1.00)를, "함몰증"에 대해 완벽한 재현율(1.00)을 보여주었습니다. 두 상위 모델 모두 높은 일반화 능력을 보였으나, 시각적으로 유사한 질환(예: 함몰증 vs 조갑진균증) 사이에서 미세한 오분류가 발생하였으며, 이는 향후 개선이 필요한 영역임을 시사합니다.
• 기존 연구와의 비교: 제안된 모델들은 정확도가 81.3%(DenseNet121)에서 91.8%(AE-CNN) 사이로 보고된 기존 문헌의 연구들을 능가하였습니다.

의의 및 기여
본 논문은 자신의 주요 기여가 효과적일 뿐만 아니라 설명 가능한 고정밀 자동 진단 지원 시스템을 개발하는 데 있다고 주장합니다. 적대적 훈련과 XAI 기술(Grad-CAM 및 SHAP)을 결함함으로써, 이 시스템은 피부과 의사에게 진단을 이끄는 특정 손톱 특징(변색이나 질감 변화 등)을 강조하는 시각적 히트맵을 제공합니다. 이러한 투명성은 AI 기반 권고에 대한 신뢰를 구축하여 더 빠르고 정확한 임상 의사결정을 용이하게 하는 것을 목적으로 합니다.

저자들은 데이터셋 크기(3,835개 이미지)가 상대적으로 작고 이미지 품질의 변동이 일반화에 영향을 미칠 수 있음을 언급하며 한계점을 겸허히 인정하였습니다. 이들은 모델의 강건성을 더욱 향상시키기 위해 고품질 이미지를 포함한 데이터셋 확장에 집중해야 한다고 제안합니다. 궁극적으로, 본 연구는 이 AI 프레임워크를 조기 발견을 지원하는 가치 있고 비침습적이며 비용 효율적인 도구로 배치하여, 의료 제공자의 부담을 줄이고 환자의 치료 결과를 개선할 수 있는 위치에 있습니다.