SCD-E2S: Deep Learning Based Skin Cancer Detection Using EfficientNetV2-S with Attention Mechanisms

피부암은 전 세계적인 보건 과제로 부상하고 있으며, 가장 흔한 형태는 피부 위의 검은 점, 솟아오른 돌기 또는 불규칙한 반점으로 나타납니다. 이러한 질환을 조기에 발견하는 것은 환자의 완치 가능성을 극적으로 높이기 때문에 매우 중요합니다. 수십 년 동안 의사들은 이러한 경고 징후를 포착하기 위해 자신의 눈과 경험에 의존해 왔지만, 인간의 판단은 의사마다 다를 수 있으며, 무해한 점과 위험한 종양 사이의 시각적 차이는 미묘할 수 있습니다. 최근 몇 년 사이, 딥러닝이라 불리는 인공지능의 한 분야가 이 작업을 돕는 강력한 도구로 등장했습니다. 이러한 컴퓨터 시스템은 수천 장의 의료 영상을 학습함으로써, 건강한 피부와 질병이 있는 피부를 구별하는 복잡한 패턴을 점진적으로 인식하게 됩니다. 그 목표는 의사를 대체하는 것이 아니라, 특히 전문의의 진료를 받기 어려운 지역에서 놓칠 수 있는 부분을 잡아낼 수 있는 신뢰할 수 있는 제2의 의견을 제공하는 것입니다.

한 연구팀은 이 기술을 더 빠르고 정확하며 실생활에서 사용할 수 있도록 설계된 새로운 시스템을 개발했습니다. 그들의 연구는 시스템의 두뇌 역할을 하는 EfficientNetV2-S라는 특정 인공지능 구조에 초점을 맞추고 있습니다. 이 두뇌를 더욱 날카롭게 만들기 위해, 연구진은 컴퓨터가 배경의 불필요한 노이즈를 무시하면서 피부 병변의 가장 중요한 세부 사항에 집중할 수 있도록 돕는 스포트라이트와 같은 역할을 하는 특수 주의 메커니즘(attention mechanisms)을 추가했습니다. 연구진은 14,000장이 넘는 더모스코픽 이미지(특수 카메라로 촬영하여 고배율로 확대한 피부 사진) 컬렉션을 사용하여 이 시스템을 학습시켰습니다. 이미지를 컴퓨터에 입력하기 전에, 팀은 머리카락이나 자의 눈금 같은 방해 요소를 제거하고 대비를 높여 점의 가장자리가 더 명확하게 보이도록 이미지를 정돈했습니다. 또한, 컴퓨터가 단순히 흔하고 무해한 것들만 학습하는 것이 아니라 희귀하고 위험한 암을 식별하는 법을 배울 수 있도록 충분한 사례를 볼 수 있게 데이터를 균형 있게 맞추는 데에도 주의를 기울였습니다.

학습 과정은 세심하게 단계별로 진행되었습니다. 먼저 컴퓨터는 새로운 이미지를 사용하여 기초를 배웠고, 그다음에는 자신의 지식의 더 깊은 층을 살펴보며 이해도를 미세 조정할 수 있도록 허용되었습니다. 시스템이 학습 이미지를 너무 완벽하게 암기하여 새로운 사진에서 실패하는 실수(과적합)를 방지하기 위해, 연구진은 학습 중에 서로 다른 이미지들을 섞는 기법을 사용하여 시스템이 단순히 특정 픽셀이 아닌 근본적인 개념을 이해하도록 강제했습니다. 또한, 시스템이 가장 까다로운 사례, 특히 위험한 흑색종에 더 많은 주의를 기울이도록 내부 규칙을 조정하여 이를 간과하지 않도록 했습니다. 두 개의 다른 주요 의료 데이터베이스를 포함하여 본 적 없는 이미지로 테스트했을 때, 이 시스템은 97% 이상의 정확도를 달ino 달성했습니다. 이 시스템은 설계된 세 가지 주요 피부 병변인 흑색종, 기저 세포 암종, 그리고 멜라닌 세포 모반을 정확하게 식별해 냈습니다.

이 연구를 차별화하는 것은 단순히 높은 점수가 아니라, 이 시스템이 실험실 밖에서 어떻게 유용하게 쓰일 수 있도록 구축되었는가 하는 점입니다. 연구진은 훈련된 모델을 일반 스마트폰에서 실행되는 모바일 애플리케이션 형태로 패키징했습니다. 이 설정에서 사용자는 의심스러운 부위의 사진을 찍을 수 있으며, 이미지는 보안이 유지된 상태로 서버로 전송되어 컴퓨터가 1초 남짓한 시간 만에 분석을 수행합니다. 그런 다음 앱은 신뢰 점수와 함께 결과를 반환하여 환자와 의사 모두에게 의사 결정 지원 도구 역할을 합니다. 연구진은 이 도구가 전문적인 의학적 진단을 대체하는 것이 아니라 보조하기 위해 설계되었다는 점을 강조합니다. 고효율의 컴퓨터 모델과 실용적인 모바일 인터페이스를 결ền 결합함으로써, 연구팀은 고급 인공지능이 임상 현장이나 원격 지역에서 즉시 사용 가능하도록 만들어질 수 있음을 입증했습니다. 이 연구는 다양한 환자 집단에 대한 추가 테스트와 의료 워크플로로의 통합이 이루어진다면, 이러한 시스템이 조기 피부암 검출의 표준적인 부분이 되어 질병을 더 빨리 발견함으로써 생명을 구하는 데 기여할 수 있다고 시사합니다.