AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

의학계에서 충수염(맹장염)의 갑작스럽고 날카로운 통증은 신속한 조치를 요구하는 흔한 응급 상황입니다. 염증이 생긴 충수가 터지면 생명을 위협하는 합병증으로 이어질 수 있으므로, 조기 진단과 정확한 진단이 매우 중요합니다. 의사들은 체내를 들여다보기 위해 오랫동안 영상 도구에 의존해 왔지만, 초음파는 방사선 대신 음파를 사용하기 때문에 환자에게 더 안전하고 접근성이 높아 특히 가치 있는 방법으로 꼽힙니다. 하지만 이 이미지들을 보는 것이 항상 간단한 일은 아닙니다. 단순한 염증 사례와 터진 충수 또는 농양(고름 주머니)과 같은 더 위험한 상황을 구별하는 데는 고도로 훈련된 안목이 필요하며 시간이 많이 소요될 수 있습니다. 바로 이 지점에서 의학과 컴퓨터 과학의 교차점이 새로운 길을 제시하며, 인공지능을 사용하여 의사가 놓칠 수 있는 부분을 파악하도록 돕습니다.

한 연구팀은 초음파 영상을 판독하고 현재 어떤 유형의 충수염이 있는지 자동으로 식별할 수 있는 컴퓨터 시스템을 구축하기 위해 연구를 시작했습니다. 그들은 정상적인 건강한 충수, 급성 염증, 구멍이 생긴 천공성 충수, 고름의 집합체인 농양, 그리고 장 내부의 딱딱한 돌 같은 침착물인 충수석 등 다섯 가지의 뚜렷한 범주에 집중했습니다. 컴퓨터를 학습시키기 위해 연구팀은 인증된 전문의가 각 이미지를 정밀하게 라벨링한 4,679장의 대규모 초음파 이미지 모음을 수집했습니다. 그들은 먼저 이 가공되지 않은 이미지들을 패턴을 인식하도록 설계된 디지털 뇌와 같은 네 가지 기존 컴퓨터 모델에 입력했습니다. 초기 결과는 실망스러웠습니다. 모델들은 이미지의 의미를 파악하는 데 어려움을 겪으며 약 69%의 정확도만을 기록했는데, 이는 모델이 세 번 중 한 번 이상은 틀렸음을 의미합니다. 이미지에는 시각적 노이즈가 너무 많았고, 컴퓨터가 서로 다른 유형의 염증을 구별하는 데 필요한 명확한 대비가 부족했습니다.

원시 데이터가 병목 현상의 원인임을 깨달은 연구진은 컴퓨터에 보여주기 전에 이미지를 정화하기로 결정했습니다. 그들은 먼저 사진의 잡티를 제거하기 위해 사진을 흐리게 처리하는 것과 유사하게 입자를 부드럽게 만드는 과정을 적용한 다음, 장기의 경계가 명확하게 드러나도록 가장자리를 선명하게 만들었습니다. 또한 컴퓨터 모델의 내부 설정을 조정하여 시스템이 각 새로운 사례로부터 얼마나 학습할지를 미세하게 조정했습니다. 이러한 이미지 정화와 기계 설정 튜닝의 결합은 결과를 완전히 바꾸어 놓았습니다. 가장 우수한 성능을 보인 InceptionV3라는 모델은 정확도가 69%에서 95.58%로 극적으로 뛰어올랐습니다. 이 모델은 매우 신뢰할 수 있게 되었으며, 테스트한 거의 모든 사례에서 상태를 정확하게 식별해 냈습니다.

연구진은 단순히 정답을 맞히는 것에 그치지 않고, 컴퓨터가 어떻게 결론에 도달했는지 이해하고자 했습니다. 이를 위해 그들은 컴퓨터가 결정을 내리기 위해 초음파 이미지의 특정 영역 중 어디에 집중했는지를 강조하는 시각적 지도를 만드는 기술을 사용했습니다. 이 지도들을 살펴보았을 때, 컴퓨터가 무작위 패턴을 바탕으로 추측하는 것이 아니라 염증이 생긴 충수나 주변 액체와 같이 신체의 올바른 부분을 실제로 보고 있다는 것을 확인했습니다. 이러한 투명성은 인간 의사가 컴퓨터가 올 l바른 곳을 보고 있는지 빠르게 검증할 수 있게 해주므로 매우 중요합니다. 연구 결과, 다른 모델들도 좋은 성능을 보였지만 특히 이 모델이 가장 일관되고 신뢰할 수 있는 것으로 나타났으며, 이는 적절한 데이터 준비가 뒷받침된다면 인공지능이 미묘한 차이를 구별하는 강력한 도구가 될 수 있음을 보여줍니다. 이 연구는 이러한 시스템이 언젠가 의료 전문가를 도와 초음파 스캔에서 우려되는 영역을 강조함으로써, 이미지 자체의 시각적 증거에 근거하여 빠르고 일관되며 신뢰할 수 있는 제2의 의견을 제공할 수 있음을 시사합니다.