Learnable Gabor and Wavelet Filters in Deep Learning for Mammographic Breast Cancer Classification: A Systematic Review

기술 요약: 딥러닝을 이용한 유방암 분류를 위한 학습 가능한 가보(Gabor) 및 웨이브릿(Wavelet) 필터

문제 제기
합성곱 신경망(CNN)이 유방 촬영술 기반의 유방암 분석을 발전시켜 왔으나, 표준 커널은 침상형 경계(spiculated margins), 구조적 왜곡(architectural distortion), 군집된 미세석회화(clustered microcalcifications)와 같이 악성 종양 특유의 방향성 및 다중 스케일 시그니처에 명시적으로 조정되지 않은 일반적인 표현을 학습한다는 한계가 있다. 또한, 딥러닝의 "블랙박스" 특성은 정확하면서도 설명 가능한 의사결정 지원을 요구하는 임상적 수용을 저해한다. 고전적인 신호 처리 연산자(방향성 및 주파수 선택성을 위한 가보 필터와 다중 해상도 분해를 위한 웨이브릿 변환)를 딥러닝 네트워크에 내장하는 방식이 해석 가능성과 데이터 기반 적응을 제공하는 경로를 제시함에도 불구하고, 이러한 패러다임에 대한 체계적인 평가가 이루어지지 않았다. 특히, 다중 클래스 방사선학적 및 병리학적 스테이징을 위해 학습 가능한 가보 및 웨이브릿 연산자를 결합하여 통합하는 것에 대한 증거가 부족하다.

연구 방법론
본 연구는 PRISMA 2020 지침에 따라 수행된 체계적 문헌 고찰이다.

• 검색 전략: 저자들은 2010년 1월부터 2026년 5월 사이에 발표된 연구를 대상으로 PubMed, Scopus, IEEE Xplore, Web of Science를 검색하였다. 검색어는 신호 처리 연산자(가보, 웨이브릿, 학습 가능한 필터), 딥러닝 패러다임(CNN, DenseNet), 그리고 임상적 응용(유방 촬영술, 유방암, BI-RADS)을 조합하였다.
• 선택 기준: 22개의 연구가 선정 기준을 충족하였다. 여기에는 다음이 포함된다:
  1. 유방 촬영 데이터에 가보 또는 웨이브릿 표현을 직접 적용한 연구.
  2. 딥 뉴럴 네트워크 내에 학습 가능한 가보 또는 웨이브릿 레이어를 도입하거나 개선한 연구(기법의 특성을 규명하기 위한 유방 외 분야의 기초 연구 포함).
  3. 비교를 위한 딥러닝 백본 또는 다중 클래스 베이스라인을 제공하는 연구.
• 품질 평가: 보고 품질은 의료 영상 분야의 인공지능 체크리스트(CLAIM)를 사용하여 평가하였으며, 편향 위험은 PROBAST(Prediction model Risk Of Bias ASsessment Tool)를 사용하여 평가하였다.
• 합성: 데이터셋, 작업 및 결과 측정치(예: 정확도, AUC, Dice 계수)의 이질성으로 인해 정량적 풀링(quantitative pooling)은 부적절하다고 판단되었다. 대신, 연산자 유형(고정형 vs 학습 가능형)과 작업별로 연구를 그룹화하는 구조화된 정성적 합성을 수행하였다.

주요 기여 및 결과
본 리뷰는 유방 촬영술에서의 학습 가능한 신호 처리 연산자에 관한 최신 기술 현황을 종합한다:

1. 성능 지표: 포함된 유방 촬영 연구에서 보고된 분류 정확도는 85.4%에서 98.7% 사이였으며, ROC 곡선 하 면적(AUC)은 0.88에서 0.92 사이였다. 가보 및 웨이브릿 기반 시스템의 민감도는 92%에서 96% 사이에 집중되었다.
2. 학습 가능형 vs 고정형/비제약형: 고정된 파라미터 또는 비제약된 합성곱 베이스라인과 비교했을 때, 학습 가능한 형태(방향, 주파수, 대역폭과 같은 필터 파라미터가 역전파를 통해 최적화되는 방식)는 정확도는 대등하거나 능가하면서도 학습 가능한 파라미터 수를 일관되게 줄였다. 이러한 파라미터 효율성은 주석이 달린 유방 촬영 코호트에서 전형적으로 나타나는 소규모 데이터 환경에서 특히 중요하다.
3. 증거 공백:
   • 결합 통합: 단일 백본 내에 학습 가능한 가보와 학습 가능한 웨이브릿 연산자를 결합하여 통합한 연구는 없었다.
   • 다중 클래스 스테이징: 다중 클래스 방사선학적 및 병리학적 스테이징(예: BI-RADS 카테로리)은 매개변수화된 신호 처리 프런트엔드(예: DenseNet, Vision Transformer)가 결여된 아키텍처에 의해서만 다루어졌다.
   • 도메인 검증: 학습 가능한 가보 구성에 대한 가장 강력한 방법론적 지지는 유방 촬영이 아닌 초분광, 자연 이미지, 혈관 영상 연구로부터 도출되었다. 학습 가능한 웨이브릿 레이어를 채택한 유일한 유방 촬영 연구는 이진(양성 대 악성) 분류를 다루었다.
4. 방법론적 한계: 본 리뷰는 모델 아키텍처 및 훈련 절차의 불완전한 명시를 포함한 심각한 보고 결함을 확인하였다. 독립적인 데이터에 대한 외부 검증이 보고된 연구는 소수에 불과했으며, 전향적 평가는 부재했다. 대부분의 데이터셋은 회고적이었으며 암 환자 비율이 높았다.

의의 및 주장
본 논문은 딥 뉴럴 네트워크에 내장된 학습 가능한 가보 및 웨이브릿 연산자가 현대적인 딥러닝 방법과 대등한 성능을 보이면서도 수학적으로 해석 가능하고 파라미터 효율적인 유방암 분석 접근법을 제공한다고 주장한다.

그러나 저자들은 현재 분야의 상태에 대해 신중한 입장을 유지한다. 그들은 현재의 증거가 단일 연산자 설계와 주로 이진 작업에 국한되어 있다고 주장한다. 학습 가능한 가보와 웨이브릿 연산자를 결합하여 사용하여 다중 클래스 유방 촬영 분류 및 병리학적 스테이징을 수행하는 것의 특정 교차 지점은 아직 해결되지 않은 증거 공백으로 남아 있다. 저자들은 이론적 이점(해석 가능성, 효율성, 밀도 변화에 대한 강건성)은 명확하지만, 향-후 연구는 이러한 이점을 임상적으로 의미 있는 환경에서 확인하기 위해 전향적으로 구성되고 외부 검증되었으며 단계별 주석이 달린 코호트에서 통합되고 제약된 학습 가능 필터 아키텍처를 평가해야 한다고 결론짓는다.