VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

인간의 폐는 복잡하고 섬세한 장기이며, 질병에 걸렸을 때 나타나는 징후는 미묘하여 쉽게 혼동될 수 있습니다. 기침, 발열 또는 숨 가쁨은 흔한 바이러스 감염, 세균성 폐렴, 또는 COVID-19와 같은 더 심각한 상태를 나타낼 수 있습니다. 의사들에게 이 원인들을 구별하는 것은 매우 중요하지만, 증상들이 서로 겹치는 경우가 많아 빠르고 정확한 진단을 내리는 것은 상당한 도전 과제입니다. 수술 없이 흉부 내부를 보기 위해 의료 전문가들은 컴퓨터 단층 촬영, 즉 CT 스캔에 의존하며, 이는 폐의 상세한 단면 이미지를 생성합니다. 이러한 이미지는 폐 조직의 질감을 드러내어 감염, 액체 또는 염증이 있는 영역을 보여줍니다. 그러나 수천 개의 이러한 스캔을 판독하는 것은 영상의학 전문의들에게 큰 부담이며, 유사한 질병 간의 시각적 차이가 너무 미세하여 전문가조차 중요한 세부 사항을 놓치거나 원인을 오인할 수도 있습니다.

최근 몇 년 동안, 컴퓨터는 인공지능을 사용하여 다양한 질병이 스캔에서 어떻게 보이는지 학습함으로써 이 작업에 도움을 주기 시작했습니다. 초기 시도들은 표준 이미지 인식 도구를 사용했지만, 이러한 도구들은 질병이 폐를 통해 어떻게 퍼져나가는지에 대한 큰 그림을 보는 동시에, 감염이 가장 활발한 작고 구체적인 지점들을 포착하는 데 어려움을 겪는 경우가 많았습니다. 한 새로운 연구는 두 가지 서로 다른 방식으로 이미지를 바라보는 방법을 결합하여 질병에 대한 더 명확한 그림을 만들어내는, 컴퓨터에게 스캔을 읽히는 더 진보된 방법을 제안합니다. 연구진은 시스템이 환자가 아픈지 여부를 판단할 수 있을 뿐만 아니라, 그것이 COVID-19인지, 바이러스성 폐렴인지, 세균성 폐렴인지, 또는 기타 비바이러스성 폐 질환인지 정확히 짚어낼 수 있도록 구축하는 것을 목표로 했습니다.

연구진은 마치 협력하는 한 쌍의 전문가의 눈처럼 작동하도록 설계된 새로운 컴퓨터 프레임워크를 개발했습니다. 시스템의 한 부분은 전체 폐 이미지를 한꺼번에 보도록 훈련되어, 감염이 장기 전체에 어떻게 퍼지는지에 대한 광범위한 패턴을 이해합니다. 이 부분은 질병의 일반적인 형태와 분포를 인식하는, 즉 "숲"을 보는 데 능숙합니다. 시스템의 두 번째 부분은 아주 작은 세부 사항에 집중하여, 감염된 영역의 구체적인 질감과 가장자리를 찾기 위해 확대하여 관찰합니다, 마치 그 숲속의 "나무"들처럼 말입니다. 이 첫 번째 부분만으로는 작지만 결정적인 감염 지점을 놓칠 수 있고, 두 번째 부분은 전체적인 맥락을 이해하지 못한 채 세부 사항에 매몰될 수 있습니다. 이 연구의 혁신은 이 두 부분이 어떻게 연결되어 있는지에 있습니다. 연구진은 두 시스템이 서로 대화하며 자신이 보고 있는 것을 끊임없이 확인하고 정교화할 수 있게 하는 특별한 메커니ism을 만들었습니다. 이 과정은 컴퓨터가 진단에 가장 중요한 특징을 우선시하고, 질병을 식별하는 데 도움이 되지 않는 불필요한 노이즈나 혼란스러운 패턴을 무시하도록 보장합니다.

이 새로운 접근 방식을 테스트하기 위해, 연구팀은 총 거의 25,000장의 이미지에 달하는 방대한 양의 폐 스캔 컬렉션을 수집했습니다. 이 이미지들은 공공 의료 데이터베이스와 인도의 병원들로부터 수집되었으며, 다양한 환자와 질병 중증도를 포괄합니다. 데이터셋에는 확진된 COVID-19, 바이러스성 폐렴, 세균성 폐렴을 앓는 사람들과 바이러스에 의한 것이 아닌 기타 폐 이상이 있는 사람들의 스캔이 포함되었습니다. 컴퓨터가 이 이미지들로부터 학습하기 전에, 연구진은 이를 신중하게 정제하고 준비했습니다. 그들은 스캔에서 불필요한 신체 부위를 제거하고, 감염된 영역이 두드러지도록 밝기와 대비를 조절했으며, 시스템을 혼란스럽게 할 수 있는 거친 노이즈를 매끄럽게 다듬었습니다. 이러한 준비 과정은 컴퓨터가 스캐닝 기기에 의해 발생한 인공물이 아니라 실제 질병의 징후로부터 학습하도록 보장했습니다.

그 후 컴퓨터는 대량의 이미지로 훈련되어 각 질병의 고유한 특징을 인식하는 법을 배웠습니다. 훈련이 완료된 후, 시스템은 실제 환경에서 얼마나 잘 수행할 수 있는지 확인하기 위해 이전에 본 적 없는 별도의 이미지 세트로 테스트되었습니다. 결과는 놀라울 정도로 높았습니다. 시스템은 0.99의 AUC로 폐 질병의 유형을 정확히 식별했습니다. 특히 오경보를 피하는 데 탁le 뛰어났는데, 건강한 폐나 비질병 상태가 존재할 때 이를 정확히 식별해냈으며, 실제 감염 사례를 놓치는 경우도 거의 없었습니다. 연구진이 질병 유형별로 성능을 분석했을 때, 시스템은 COVID-19를 다른 감염과 구별하는 데 탁월한 성과를 보이며 거의 완벽한 정확도를 달了一种. 또한 인간 의사들조차 구분하기 어려운 조건인 바이러스성 폐렴과 세균성 폐렴을 분리하는 데 있어서도 강력한 성능을 보였습니다.

이 새로운 시스템이 왜 그렇게 잘 작동했는지 이해하기 위해, 연구진은 기존의 방법들과 비교했습니다. 그들은 표준 컴퓨터 비전 도구, 전통적인 딥러learning 모델, 그리고 위에서 설명한 두 가지 접근 방식 중 하나만을 사용하는 다른 고급 시스템들을 테스트했습니다. 기존의 방법들은 무작위 추측보다는 나았지만, 정확도가 80% 중반에서 90% 후반 사이를 오가는 수준에 머물며 지속적으로 미치지 못했습니다. 두 가지 관점(광범위한 시야와 세부적인 시야)과 그 특수한 통신 링크를 결합한 새 시스템은 이 모든 것들을 능가했습니다. 연구 또한 이 시스템이 바쁜 병원 환경에서 과도한 컴퓨팅 파워를 요구하지 않고도 이미지를 빠르게 처리할 만큼 효율적임을 보여주었습니다.

연구진은 단순히 수치에만 머물지 않고, 시스템이 이미지를 어떻게 "보는지"도 살펴보았습니다. 그들은 컴퓨터가 감염되었다고 강조한 영역을 인간 의사가 표시한 실제 감염 영역과 비교했습니다. 컴퓨터의 초점은 높은 정밀도로 전문가의 발견과 일치했으며, 감염의 경계와 각 질병과 관련된 특정 질감을 정확하게 식별해냈습니다. 이러한 높은 일치도는 시스템이 단순히 패턴에 기반해 추측하는 것이 아니라, 실제로 질병의 시각적 특성을 학습하고 있음을 시사합니다. 연구는 이 새로운 프레임워크가 CT 스캔을 통한 폐 질병 진단에 있어 매우 신뢰할 수 있는 도구를 제공한다고 결론짓습니다. 넓은 관점의 폐 상태에 대한 이해와 특정 병변에 대한 날카로운 집중력을 결합함으로써, 이 시스템은 의사들이 환자를 위해 더 빠르고 자신 있게 결정을 내릴 수 있도록 돕는 높은 수준의 정확도를 제공합니다. 비록 이 연구가 특정 데이터 세트를 대상으로 수행되었으나, 결과는 호흡기 질환 진단을 지원하기 위한 인공지능 활용의 강력한 진전을 시사합니다.