CBAM-Enhanced DenseNet121 for Multi-Class Chest X-Ray Classification with Grad-CAM Explainability

논문 요약: CBAM-강화 DenseNet121 을 활용한 다중 클래스 흉부 X 선 분류 및 Grad-CAM 설명 가능성

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 폐렴은 전 세계적으로 5 세 미만 아동 사망의 주요 원인이며, 특히 방사선 전문의가 부족한 저소득 국가 (예: 방글라데시) 에서 진단 인프라 부족이 심각한 문제입니다.
• 기존 연구의 한계:
  • 대부분의 기존 딥러닝 접근법은 '정상 vs 폐렴'의 이진 분류 (Binary Classification) 문제로만 접근하여, 임상적으로 매우 중요한 세균성 폐렴과 바이러스성 폐렴의 구분을 간과했습니다.
  • 두 유형을 혼동하면 불필요한 항생제 처방으로 이어져 항생제 내성 문제를 악화시킬 수 있습니다.
  • 의료 AI 모델의 '블랙박스' 특성으로 인해 임상 현장에서의 신뢰와 수용이 어렵습니다.

2. 제안된 방법론 (Methodology)

이 논문은 CBAM-DenseNet121이라는 새로운 전이 학습 (Transfer Learning) 프레임워크를 제안합니다.

• 데이터셋: Kaggle 의 Chest X-Ray Images (Pneumonia) 데이터셋 (Kermany 데이터셋) 을 사용했습니다.
  • 데이터 전처리: 공식 검증 세트 (16 개 이미지) 는 통계적으로 불충분하다고 판단하여 폐기하고, 5,216 개의 학습 데이터를 80:20 비율로 층화 무작위 추출 (Stratified Random Sampling) 하여 검증 세트를 재구성했습니다.
  • 클래스 구성: 정상 (Normal), 세균성 폐렴 (Bacterial Pneumonia), 바이러스성 폐렴 (Viral Pneumonia) 의 3 클래스 분류 문제로 설정했습니다.
  • 불균형 처리: 클래스 불균형 (세균성 폐렴이 가장 많음) 을 해결하기 위해 역빈도 가중치 (Inverse-frequency scaling) 를 손실 함수에 적용했습니다.
• 모델 아키텍처 (CBAM-DenseNet121):
  • Backbone: ImageNet 으로 사전 학습된 DenseNet121을 기반으로 합니다.
  • CBAM (Convolutional Block Attention Module) 통합: DenseNet121 의 마지막 특징 맵 (Feature Map) 후, 전역 평균 풀링 전에 CBAM 을 삽입했습니다.
    • 채널 어텐션 (Channel Attention): 어떤 특징 맵을 강조할지 결정합니다.
    • 공간 어텐션 (Spatial Attention): 특징 맵 내의 어디에 집중할지 위치를 파악합니다.
  • 분류기 헤드: GlobalAveragePooling → BatchNorm → Dense(512, ReLU) → Dropout → Dense(256, ReLU) → Dropout → Softmax(3) 구조를 가집니다.
• 학습 전략 (Two-Phase Training):
  • Phase 1: DenseNet121 베이스를 고정 (Freeze) 하고 CBAM 모듈과 분류기 헤드만 15 에포크 학습.
  • Phase 2: DenseNet121 의 마지막 30 레이어를解冻 (Unfreeze) 하여 20 에포크 미세 조정 (Fine-tuning).
  • 조기 종료 (Early Stopping) 및 학습률 감소 (ReduceLROnPlateau) 를 적용하여 과적합을 방지했습니다.
• 설명 가능성 (Explainability): Grad-CAM을 사용하여 모델이 예측에 기여한 흉부 X 선의 특정 영역 (폐 병변 부위) 을 시각화했습니다.
• 통계적 검증: 결과의 재현성을 확보하기 위해 **3 번의 독립적인 실행 (Random Seeds: 42, 7, 123)**을 수행하고, 모든 지표를 평균 ± 표준편차로 보고했습니다.

3. 주요 기여 (Key Contributions)

1. 3 클래스 분류 프레임워크: '정상, 세균성 폐렴, 바이러스성 폐렴'을 구분하여 항생제 처방에 직접적인 도움을 줄 수 있는 실행 가능한 진단 출력을 제공합니다.
2. CBAM 과 DenseNet121 의 융합: 채널 및 공간 어텐션 메커니즘을 결합하여 병변의 특징을 더 정밀하게 포착하도록 모델을 개선했습니다.
3. 실용적인 베이스라인 비교 (Negative Finding): 이진 분류 태스크에서 **EfficientNetB3(73.88%)**가 커스텀 CNN(78.53%) 보다 성능이 낮았음을 발견했습니다. 이는 의료 영상 (회색조, 저대비) 에서는 최신 대형 모델이 항상 더 좋은 것은 아니며, 도메인 특화 사전 학습이 필요할 수 있음을 시사합니다.
4. 통계적 엄밀성: 단일 실행이 아닌 3 번의 독립 실행을 통해 결과의 재현성과 안정성을 입증했습니다.
5. 임상 해석 가능성: Grad-CAM 을 통해 모델이 해부학적으로 타당한 폐 부위에 주의를 기울임을 시각적으로 증명했습니다.

4. 실험 결과 (Results)

• 3 클래스 분류 성능 (테스트 세트 624 개 이미지):
  • 정확도 (Accuracy): 84.29% ± 1.14%
  • AUC (평균): 0.9454 ± 0.0013
  • 클래스별 AUC:
    • 세균성 폐렴: 0.9565 ± 0.0010
    • 정상: 0.9610 ± 0.0014
    • 바이러스성 폐렴: 0.9187 ± 0.0037
  • 재현성: 모든 지표의 표준 편차가 매우 낮아 (정확도 std=1.14%) 학습의 안정성이 입증되었습니다.
• 이진 분류 베이스라인 비교:
  • DenseNet121 이 91.03% 정확도로 가장 우수했습니다.
  • EfficientNetB3 은 73.88% 로 커스텀 CNN 보다 성능이 저조했습니다.
• 혼동 행렬 (Confusion Matrix) 분석:
  • 세균성 폐렴의 분류 정확도가 가장 높았으며 (93.4%), 바이러스성 폐렴과 정상 간의 혼동이 가장 많았습니다 (초기 바이러스성 침윤이 X 선에서 미묘하기 때문).
• Grad-CAM 시각화:
  • 세균성 폐렴: 하엽의 농축 부위에 집중.
  • 정상: 병변 없이 종격동 영역에 고르게 분포.
  • 바이러스성 폐렴: 간질성 패턴을 반영하여 주변부 영역에 분산된 주의.
  • 이는 모델이 임상적으로 타당한 특징을 학습했음을 보여줍니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: 이 모델은 저자원 환경 (방글라데시 등) 에서도 표준 JPEG X 선으로 작동하며, Grad-CAM 을 통해 의사에게 시각적 감사 추적 (Audit trail) 을 제공하여 AI 의 신뢰도를 높입니다.
• 모델 선택 가이드: 의료 영상 분석에서는 무조건 최신/대형 모델 (EfficientNet 등) 을 선택하기보다, 데이터 특성에 맞는 아키텍처 (DenseNet 등) 와 어텐션 메커니즘을 신중하게 선택해야 함을 강조합니다.
• 한계 및 향후 과제: 단일 소아 병원 데이터셋 사용으로 인한 인구 통계학적 일반화 한계, 파일 메타데이터 기반 라벨의 노이즈 가능성 등을 지적하며, 향후 CheXpert 등 대규모 데이터셋에서의 검증 및 임상 현장에서의 전향적 검증을 계획하고 있습니다.

이 논문은 단순한 분류 성능 향상을 넘어, 임상적으로 의미 있는 다중 클래스 분류, 통계적 재현성, 그리고 해석 가능한 AI를 통합하여 의료 현장에 실제 적용 가능한 솔루션을 제시했다는 점에서 의의가 큽니다.