Automated Detection of Malignant Lesions in the Ovary Using Deep Learning Models and XAI

본 논문은 Mendeley 의 조직병리학 데이터셋을 활용하여 LeNet-5, ResNet, VGGNet, GoogLeNet 등 15 가지 딥러닝 변형 모델을 비교 분석하고, LIME, Integrated Gradients, SHAP 등의 설명 가능한 인공지능 (XAI) 기법을 적용하여 난소 암 악성 병변의 자동 탐지 정확도를 94% 로 높인 연구 결과를 제시합니다.

핵심

이 논문은 **"난소암을 자동으로 찾아내는 똑똑한 AI"**를 개발한 연구 결과입니다. 어렵고 복잡한 의학 및 컴퓨터 과학 용어 대신, 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

1. 문제 상황: "보이지 않는 적" (난소암의 위험성)

암은 우리 몸의 세포가 통제 없이 자라나는 병입니다. 그중 난소암은 특히 위험합니다. 왜냐하면 초기에는 증상이 거의 없어서, 병이 아주 깊게 진행된 뒤에야 발견되는 경우가 많기 때문입니다.

• 비유: 다른 암들은 (예: 유방암, 자궁경부암) 정기 검진이라는 '스캐너'로 쉽게 잡을 수 있지만, 난소암은 마치 옷장 깊숙이 숨어 있는 도둑과 같습니다. 도둑이 집을 완전히 장악하기 전까지는 발견하기가 매우 어렵습니다.

2. 해결책: "AI 탐정"을 고용하다

연구진은 이 도둑 (암) 을 미리 찾아내기 위해 **딥러닝 (Deep Learning)**이라는 기술을 사용했습니다. 이는 수많은 사진을 보고 패턴을 학습하는 초능력을 가진 AI 탐정이라고 생각하시면 됩니다.

• 학습 과정: 연구진은 Mendeley 라는 곳에서 난소 조직의 현미경 사진 500 장을 구했습니다. 하지만 이 사진들은 너무 적어서 AI 가 제대로 배우기엔 부족했습니다.
  • 데이터 증강 (Data Augmentation): 그래서 연구진은 이 사진들을 회전시키거나, 밝기를 바꾸거나, 뒤집는 등의 작업을 통해 사진을 2,490 장으로 불려냈습니다.
  • 비유: 마치 한 장의 사진을 가지고 거울을 여러 개 두고, 조명도 바꿔가며 다양한 각도에서 관찰하는 것과 같습니다. 이렇게 하면 AI 는 "아, 이 종양은 비스듬히 찍혀도 저런 모양이구나!"라고 더 잘 이해하게 됩니다.

3. 모델 실험: "다양한 탐정 팀"의 경쟁

연구진은 AI 탐정 팀으로 15 가지 다른 모델을 준비했습니다.

• LeNet, ResNet, VGG, Inception: 이 이름들은 모두 유명한 AI 모델들의 이름입니다. 마치 다양한 스타일의 형사들 (신참 형사, 베테랑 형사, 특수부대 등) 이 모여서 사건을 해결하는 것과 같습니다.
• 결과: 이 중 InceptionV3라는 모델이 가장 뛰어난 실력을 보여주었습니다. 정확도, 민감도 등 모든 평가 지표에서 **약 94~95%**라는 놀라운 성적을 거두었습니다.
  • 비유: 다른 형사들은 60~80% 정도만 맞췄는데, InceptionV3 는 거의 100 점에 가까운 실력으로 범인을 찾아낸 것입니다.

4. 블랙박스 문제와 XAI: "왜 그걸 범인이라고 했지?"

AI 는 보통 **블랙박스 (Black Box)**라고 불립니다. 정답은 알려주지만, "왜 그렇게 판단했는지" 그 이유는 말해주지 않기 때문입니다. 의사들은 "왜 이 환자가 암이라고 했는지" 이유를 알아야 치료할 수 있습니다.

• 해결책 (XAI): 연구진은 **XAI(설명 가능한 인공지능)**라는 기술을 도입했습니다.
  • LIME, SHAP, Integrated Gradients: 이 세 가지 도구는 AI 의 머릿속을 들여다보는 현미경과 같습니다.
  • 작동 원리: AI 가 "이 사진은 암입니다"라고 말했을 때, 이 도구들은 **"사진의 이 부분 (예: 세포의 특정 모양) 을 보고 암이라고 판단했습니다"**라고 하이라이트 해줍니다.
  • 결과: 세 가지 도구 모두 비슷한 부분 (종양의 특징적인 부분) 을 지적하며, AI 의 판단이 근거가 있음을 증명했습니다.

5. 결론: 더 나은 미래를 위한 첫걸음

이 연구는 다음과 같은 성과를 거두었습니다.

1. 정확한 진단: 기존 방법보다 훨씬 빠르고 정확하게 난소암을 찾아내는 AI 모델을 만들었습니다.
2. 투명한 판단: AI 가 왜 그렇게 판단했는지 의사들이 이해할 수 있게 설명해 주는 시스템을 구축했습니다.

요약하자면:
이 논문은 **"난소암이라는 보이지 않는 도둑을 잡기 위해, 수많은 사진을 학습시킨 AI 탐정 (InceptionV3) 을 고용하고, 그 탐정이 왜 그 도둑을 잡았는지 설명해 주는 안경 (XAI) 을 끼워주었다"**는 이야기입니다.

이 기술이 더 발전하면, 앞으로는 침습적인 수술 없이도 초기에 난소암을 발견하여 많은 여성들의 생명을 구할 수 있을 것으로 기대됩니다.

기술 요약

논문 요약: 딥러닝 및 XAI 를 활용한 난소 악성 병변 자동 탐지

1. 문제 정의 (Problem Statement)

• 난소암의 치명성: 난소암은 초기 증상이 뚜렷하지 않아 대부분 말기 단계에서 발견되며, 이로 인해 전이 (metastasis) 가 발생하고 사망률이 매우 높습니다.
• 진단의 한계: 현재 난소암 진단은 경질초음파, 골반 검사, CA-125 혈액 검사 등을 통해 이루어지지만, 확진을 위해서는 침습적인 생검 (biopsy) 이 필수적입니다.
• 필요성: 비침습적이고 정확한 조기 진단 방법의 부재로 인해, 의료진의 진단 정확도를 높이고 시간을 단축할 수 있는 인공지능 (AI) 기반의 보조 진단 시스템 개발이 시급합니다.

2. 방법론 (Methodology)

가. 데이터셋 및 전처리

• 데이터 소스: Mendeley 의 "OvarianCancer&SubtypesDatasetHistopathology" 데이터셋 사용.
• 클래스 구성: 5 가지 클래스 (Clear Cell, Endometri, Mucinous, Serous, Non-Cancerous) 로 구성.
• 데이터 불균형 해결: 원본 데이터 (총 498 장, 클래스당 약 100 장) 의 부족을 보완하기 위해 Albumentations 라이브러리를 활용한 데이터 증강 (Data Augmentation) 수행.
  • 기법: 회전 (180 도), 수평/수직 뒤집기, 밝기/대비/채도/색조 변경 등.
  • 결과: 원본 498 장 → 증강 후 총 2,490 장 (클래스당 498 장) 으로 균일화.
• 전처리: 이미지를 텐서 (Tensor) 로 변환하고, uint8 에서 float32 로 변환 후 RGB 값 범위를 0255 에서 **01 로 정규화 (Normalization)** 하여 모델 학습 효율성 증대.

나. 모델 아키텍처 및 실험

• 사용된 모델: 4 가지 주요 CNN 아키텍처 (LeNet, ResNet, VGGNet, Inception/GoogLeNet) 를 기반으로 총 15 가지 변형 모델을 개발 및 비교.
  • LeNet: 8 가지 변형 (LeNet-A, B, C 등) 테스트.
  • ResNet: ResNet-34, 50, 101 을 32x32 및 224x224 입력 크기로 테스트. 학습률과 드롭아웃 비율을 무작위 탐색 (Random Search) 하여 최적화.
  • VGGNet: VGG16 및 VGG19 사용. Transfer Learning(전이 학습) 기법 적용하여 사전 학습된 가중치를 활용하고 Fully Connected 레이어만 커스터마이징.
  • Inception (GoogLeNet): Inception V1 및 V3 를 처음부터 (from scratch) 구축. Inception 모듈의 커널 크기 (1x1, 3x3, 5x5) 와 배치 정규화 (Batch Normalization) 적용 여부 등을 변형.
• 활성화 함수: 대부분의 모델에서 ReLU 를 사용하되, 일부 변형에서는 Tanh 를 비교 실험.

다. 설명 가능한 인공지능 (XAI) 적용

• 목적: 딥러닝 모델의 '블랙박스' 성격을 해석하여 의료진이 모델의 판단 근거를 신뢰할 수 있도록 함.
• 사용 도구:
  1. LIME (Local Interpretable Model-agnostic Explanations): 국소적 해석.
  2. Integrated Gradients: 입력 이미지의 픽셀이 예측에 기여한 정도를 시각화.
  3. SHAP (SHapley Additive exPlanations): 게임 이론 기반의 전역/국소적 해석.

3. 주요 결과 (Results)

가. 모델 성능 평가

• 최고 성능 모델: InceptionV3-A (ReLU 활성화 함수 사용, 처음부터 구축된 커스텀 모델) 가 전체 성능 지표에서 가장 균형 잡힌 결과를 보임.
  • 평균 정확도 (Accuracy): 94.58%
  • 정밀도 (Precision): 94.75%
  • 재현율 (Recall): 94.58%
  • F1-Score: 94.62%
  • ROC-AUC: 모든 클래스에서 0.95 이상의 높은 점수 기록 (Serous 클래스는 1.00).
• 비교 분석:
  • VGG16-A: 정확도 96.99% 로 가장 높았으나, 전이 학습 (Transfer Learning) 을 사용하여 XAI 적용 시 해석이 어렵다는 한계가 있음.
  • ResNet 및 LeNet: 상대적으로 낮은 성능을 보임 (정확도 34%~61% 대).
  • 기존 연구 (Kasture et al.) 대비: 증강된 데이터셋을 사용한 본 연구의 InceptionV3-A 는 기존 VGG16 모델 (증강 데이터 기준 84.64%) 보다 약 10% 이상 높은 성능을 달성.

나. XAI 분석 결과

• LIME, SHAP, Integrated Gradients 세 가지 기법을 모두 적용하여 InceptionV3-A 의 예측 근거를 시각화.
• 결과: 세 가지 기법 모두 실제 라벨 (예: Clear Cell, Serous) 과 일치하는 병변 영역을 긍정적으로 강조 (Highlight) 함.
• 의미: 모델이 무작위로 예측한 것이 아니라, 실제 조직학적 특징 (병변 부위) 을 기반으로 학습되었음을 입증하여 의료적 신뢰성을 확보함.

4. 주요 기여 (Key Contributions)

1. 최적화된 CNN 모델 선정: 다양한 CNN 아키텍처와 변형을 광범위하게 비교 분석하여, 난소암 조직 병리 이미지 분류에 가장 적합한 InceptionV3-A 모델을 도출.
2. XAI 통합 프레임워크: 단순히 분류 정확도만 높이는 것을 넘어, LIME, SHAP, Integrated Gradients를 결합하여 모델의 의사결정 과정을 투명하게 설명하는 시스템을 구축. 이는 임상 현장에서의 AI 도입 장벽을 낮춤.
3. 데이터 증강 전략: 제한된 의료 데이터 (498 장) 를 Albumentations 를 통해 효과적으로 증강 (2,490 장) 하여 과적합 (Overfitting) 을 방지하고 모델 일반화 성능을 극대화.
4. 비교 분석: 전이 학습 모델 (VGG) 과 처음부터 구축한 모델 (Inception) 의 장단점을 XAI 관점에서 분석하여, 해석 가능성 (Interpretability) 을 고려한 모델 선택의 중요성을 강조.

5. 의의 및 결론 (Significance)

• 임상적 가치: 난소암의 조기 발견과 비침습적 진단 가능성 제시. 높은 정확도 (약 94.5%) 와 신뢰할 수 있는 XAI 해석은 의료진이 최종 진단을 내리는 데 있어 강력한 보조 도구로 작용할 수 있음.
• 미래 전망: 현재는 조직 병리 이미지 (Histopathology) 를 사용했으나, 향후 초음파나 MRI 등 비침습적 영상 데이터로 확장하여 조기 예후 (Early Prognosis) 시스템으로 발전시킬 것을 목표로 함.
• 기술적 시사점: 의료 AI 개발 시 높은 성능뿐만 아니라 설명 가능성 (Explainability) 을 필수 요소로 고려해야 함을 보여줌.

이 연구는 딥러닝과 XAI 를 결합하여 난소암 진단의 정확성과 신뢰성을 동시에 향상시킨 선구적인 사례로 평가됩니다.