💻 컴퓨터 과학

LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction

본 논문은 엄격한 증강 계열 기반 평가 프로토콜을 통해 LC25000 벤치마크의 데이터 누수를 해결함으로써, 5개 클래스 폐 및 결장 조직병리 분류에서 99.25%의 최첨단 정확도를 달もの하는 소형 3개 분기 신경망인 LungColonCancerPred-NN을 소개한다.

원저자: outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

게시일 2026-11-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: outhman abbassi, Zeyneb Belganche, Wajih Rhalem, Nassim Kharmoum

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매년 수백만 명의 사람들이 암 진단을 받으며, 그중에서도 폐와 대장에 영향을 미치는 두 가지 형태가 가장 흔하고 치명적입니다. 의사가 이러한 질병이 의심될 때, 그들은 현미경으로 조직의 아주 작은 조각들을 검사하는 병리 전문의에게 의존합니다. 이 조각들은 세포핵은 보라색으로, 다른 부분은 분홍색으로 변하게 하는 특수 염색약으로 염색되어 인체의 미세한 구조를 보여주는 복잡한 지도를 만들어냅니다. 병리 전문의의 업무는 이 지도를 읽어 건강한 조직과 암을 구별하고, 정확히 어떤 종류의 암인지 식별하는 것입니다. 이는 매우 중요한 작업인데, 폐암의 한 유형에 대한 치료법은 다른 유형과 종종 다르며, 양성 종양과 악성 종양 사이의 차이는 환자가 수술이 필요한지 아니면 화학 요법이 필요한지를 결정하기 때문입니다. 그러나 이 과정은 느리고 어렵고, 전적으로 고도로 훈련된 인간 전문가의 가용성에 달려 있습니다.

수년 동안 과학자들은 컴퓨터에게 이러한 미세한 지도를 읽는 법을 가르쳐, 의사를 도울 수 있거나 심지어 독립적으로 작동할 수 있는 도구를 만들기를 희망해 왔습니다. 그들은 신경망이라고 불리는 컴퓨터 프로그램이 패턴을 인식하도록 훈련시키기 위해 대규모 디지털 이미지 모음들을 사용합니다. 하지만 이러한 모음들이 구축되는 방식에는 숨겨진 함정이 있습니다. 훈련에 사용되는 많은 이미지들은 서로 다른 환자들의 고유한 사진이 아닙니다. 대신, 하나의 원래 이미지를 디지털 방식으로 회전하거나, 뒤집거나, 약간 이동시켜서 만들어진 수많은 버전들입니다. 만약 컴퓨터 프로그램이 훈련 중에 이미 본 이미지의 뒤집힌 버전을 가지고 테스트를 받는다면, 그것은 질병을 이해해서 정답을 맞히는 것이 아니라 단순히 그 사진을 기억해냈기 때문에 정답을 맞히는 것일 수 있습니다. 데이터 누수(data leakage)라고 알려진 이 결함은, 이러한 컴퓨터 프로그램이 정말로 암을 진단하는 법을 배우고 있는지, 아니면 단순히 시험 문제를 암기하고 있는 것인지를 알기 어렵게 만들었습니다.

모로코의 모하메드 5세 대학교 연구팀은 이제 이 문제를 직접적으로 해결했습니다. 그들은 LungColonCancerPred-NN이라는 새로운 컴퓨터 시스템을 구축하였고, 이전보다 훨씬 엄격한 방법으로 이를 테스트했습니다. 이미지를 무작위로 섞는 대신, 그들은 이미지의 원래 출처별로 신중하게 그룹화했습니다. 그들은 총 40,000개의 파일로 구성된 두 개의 대규모 공공 조직 이미지 모음을 시작으로 했습니다. 먼저, 동일한 디지털 파일이 두 번 나타나는 수천 개의 완전한 중복 파일을 제거했습니다. 그다음, 그들은 동일한 환자 샘ल에서 유래한 이미지들의 "가족"을 찾았습니다. 이미지가 회전되거나 뒤집혀도 어떻게 똑같이 보이는지를 이해하는 스마트한 시스템을 사용하여, 관련된 모든 이미지들을 하나로 묶었습니다. 그러고 나서 어떤 관련 이미지 그룹도 훈련 세트와 테스트 세트 사이에 나뉘지 않도록 조치했습니다. 이는 컴퓨터가 테스트 이미지의 복사본을 훈련 중에 한 번도 보지 못한 상태에서, 처음부터 질병을 인식하는 법을 배워야 했음을 의미합니다.

그들이 구축한 컴퓨터 시스템은 약 580만 개의 조정 가능한 설정값을 포함하고 있어 매우 콤팩트하며, 표준 그래픽 카드에서 실행될 수 있을 만큼 작습니다. 이 시스템은 조직 이미지를 세 가지 다른 "렌즈"를 통해 동시에 관찰함으로써 작동합니다. 한 가지 렌즈는 전체적인 패턴을 스캔하는 인간의 눈처럼 세포의 일반적인 질감과 색상에 집중합니다. 두 번째 렌즈는 이미지 내에서 서로 떨어져 있더라도 유사한 특정 모양과 세포 집단을 찾아내어, 종양의 흩어진 부분들을 연결합니다. 세 번째 렌즈는 모든 세포의 정확한 위치에 주목하여 조직이 공간적으로 어떻게 조직되어 있는지를 이해합니다. 특수한 메커니즘은 각 이미지에 대해 이 세 가지 렌즈의 정보를 가중치 있게 검토하여, 최종 결정을 내리기 전에 어떤 관점이 가장 중요한지를 결정합니다.

연구진이 이 시스템을 한 번도 본 적 없는 5,497개의 이미지로 테스트했을 때, 결과는 놀라울 정도로 정확했습니다. 컴퓨터는 99.25%의 사례에서 조직 유형을 정확히 식별했습니다. 더 중요한 것은, 가장 위험한 실수인 암 조직을 건강한 조직으로 잘못 분류하는 일이 단 한 번도 없었다는 점입니다. 몇 가지 오류가 발생하기도 했지만, 그것은 주로 두 가지 특정 폐암 유형을 서로 혼동하는 것이었는데, 이는 인간 병리 전문의조차도 때때로 직면하며 추가 검사가 필요한 도전적인 과제입니다. 또한 시스템은 거의 모든 경우에서 해당 조직이 어떤 장기에서 왔는지도 정확히 식별했습니다. 동일한 데이터셋으로 테스트된 다른 최근 컴퓨터 프로그램들과 비교했을 때, 이 새로운 시스템은 단지 세 가지 유형이 아닌 다섯 가지 다른 유형의 조직을 구별해야 하는 더 어려운 문제를 풀면서도 더 우수한 성능을 보였습니다.

이 연구의 성공은 높은 정확도뿐만 아니라 테스트 설계 방식에 있습니다. 테스트 이미지가 훈련 데이터의 단순한 복사본이 아닌 진정한 새로운 데이터임을 보장함으로써, 연구진은 자신들의 시스템이 생물학적 암 특징을 실제로 인식하는 법을 배웠다는 것을 증명했습니다. 그들은 컴퓨터의 답변에 대한 확신도가 잘 보정되어 있다는 것, 즉 스스로 확신이 없을 때를 알고 있다는 사실을 발견했습니다. 이러한 접근 방식은 의료 분야에서 인공지능 개발을 위한 더 명확한 경로를 제시하며, 주의 깊은 테스트를 통해 이러한 도구들이 단순한 패턴 매칭을 넘어 의사들을 위한 신뢰할 수 있는 조력자가 될 수 있음을 보여줍니다. 연구진은 이 기술이 환자들을 돕기 위해 실제로 사용되기 전 필수적인 단계인, 실제 환경의 변화를 처리할 수 있는지 확인하기 위해 완전히 다른 병원의 이미지 세트로 시스템을 테스트할 계획입니다.

기술 요약: LungColonCancerPred-NN

문제 정의
폐암과 대장암은 전 세계적으로 암 사망의 주요 원인이며, 진단은 헤마톡실린 및 에오신(H&E) 염색된 조직 절편의 수동 판독에 크게 의존하고 있습니다. 딥러닝이 컴퓨터 보조 분류를 위한 경로를 제시하고 있지만, 이 과업의 표준 벤치마크인 LC25000 데이터셋은 심각한 데이터 누수(data leakage) 문제를 겪고 있습니다. 25,000개의 이미지는 회전 및 플립(flip)을 통해 단 1,250개의 소스 이미지를 증강하여 생성되었습니다. 결과적으로, 무작위 훈련-테스트 분할(random train-test split)을 수행할 경우 거의 동일한 소스 이미지의 복사본들이 두 세트에 모두 배치될 수 있으며, 이는 모델이 일반화 가능한 특징을 학습하는 대신 훈련 데이터를 암기함으로써 부풀려진 정확도를 달성하게 만듭니다. 또한, 기존 문헌들은 데이터 누수 문제나 다섯 가지의 뚜렷한 조직학적 클래스(대장 선암종, 양성 대장, 폐 선암종, 양성 폐, 폐 편평 세포 암종)를 동시에 구별해야 하는 과제를 해결하지 못한 채, 데이터의 일부(예: 폐 클래스만 해당)에 대해서만 높은 정확도를 보고하는 경우가 많습니다.

방법론
저자들은 데이터 누수를 제거하기 위해 설계된 정교한 평가 프로토콜과 경량 신경망 아키텍처인 LungColonCancerPred-NN을 제안합니다.

데이터 프로토콜 및 누수 제어:
- 데이터 소스: 본 연구는 LC25000 데이터셋과 두 번째 공개 컬렉션("Cancer classification")을 결합하여 40,000개의 초기 파일을 구성했습니다.
- 중복 제거: MD5 해싱을 사용하여 정확한 중복 파일을 제거함으로써 2,076개의 파일을 삭제했습니다.
- 증강 패밀리(Augmentation Families): 회전 및 플립된 복사본들은 바이트 값은 다르지만 동일한 소스를 나타내므로, 이를 처리하기 위해 저자들은 "증강 패밀리"를 구축했습니다. 저자들은 사각형의 8가지 대칭(회전 및 반사)에 대해 불변하도록 설계된 EfficientNet-B0 임베딩을 사용했습니다. 두 이미지가 임계값( $\tau$ ) 이상의 코사인 유사도를 공유하고 동일한 레이블을 가질 경우 하나의 패밀리로 묶었습니다. 하나의 패밀리가 80개를 초과하지 않도록 $\tau = 0.98$ 로 설정하였으며, 그 결과 7,795개의 고유한 패밀리가 생성되었습니다.
- 그룹화된 분할(Grouped Split): 데이터를 개별 이미지가 아닌 패밀리 단위로 70/15/15 비율로 분할하여, 특정 소스 이미지의 증강된 복사본이 훈련 세트와 테스트 세트에 동시에 존재하지 않도록 보장했습니다.
- 감사(Audit): 최근접 이웃(nearest-neighbor) 감사를 통해 분할의 무결성을 확인했습니다. 테스트 이미지와 가장 유사한 훈련 이미지 간의 중앙값 유사도는 0.961이었으며, 이는 훈련 세트 내의 유사도인 0.998보다 현저히 낮습니다. 어떤 테스트 이미지도 그룹화 임계값인 0.98을 초과하지 않았습니다.
아키텍처 (LungColonCancerPred-NN):
- 백본(Backbone): 모델은 세 개의 병렬 브랜치를 위한 공유 입력으로서 256개 채널로 투영된 단일 EfficientNet-B0 피처 맵을 활용합니다.
- 컨볼루션 브랜치(Convolutional Branch): 국소적 질감 특징(핵의 크기, 염색질, 세포질 색상)을 포착하기 위해 전역 평균 풀링(global average pooling)을 수행합니다.
- 그래프 브랜치(Graph Branch): 노드가 피처 위치(7x7 그리드)인 그래프를 구축합니다. 에지는 공간적 근접성이 아닌 피처 유사성에 기반하여 위치들을 연결합니다(k-NN, $k=8$ ). 이를 통해 유사한 조직학적 구조(예: 흩어져 있는 종양 둥지)를 가진 영역들이 거리에 상관없이 정보를 교환할 수 있게 합니다.
- 트랜스포머 브랜치(Transformer Branch): 학습 가능한 클래스 토큰과 위치 임베딩을 사용하며, 두 개의 pre-norm 트랜스포머 인코더 레이어를 통해 전역적 공간 관계와 전반적인 조직 레이아웃을 모델링합니다.
- 게이티드 퓨전(Gated Fusion): 시그모이드 게이트가 입력 이미지에 따라 세 브랜치의 임베딩 가중치를 동적으로 조절하며, 이후 이들을 결합하여 분류기로 전달합니다.
- 훈련 전략: 5.8M 파라미터를 가진 이 모델은 두 단계로 훈련됩니다. 먼저 백본을 고정한 상태에서 훈련한 후, 전체 엔드 투 엔드(end-to-end) 훈련을 진행합니다. 레이블 스무딩( $\epsilon=0.08$ ), 확률적 가중 평균(SWA), 그리고 세 가지 뷰(identity, 수평 플립, 수직 플립)의 테스트 타임 증강을 적용합니다.

주요 기여

누수 제어 평가 프로토콜: MD5 중복 제거, D4 불변 패밀리 그룹화, 그리고 테스트 이미지가 훈련 이미지와 구별됨을 검증하는 최근접 이웃 감사를 포함하는 견고한 LC25000 및 파생 컬렉션용 프로토콜을 도입했습니다.
트리플 브랜치 아키텍처: 단일 EfficientNet-B0 백본 위에서 컨볼루션 질감, 그래프 기반 피처 유사성, 트랜스포머 기반 공간 주의 집중(spatial attention)을 학습 가능한 시그모이드 게이트로 융합하는 새로운 네트워크 설계를 제시합니다.
포괄적 평가: 엄격한 그룹화된 분할을 사용하여 5개 클래스(두 장기 및 악성 유형 모두 포함)에 대한 상세한 평가를 수행하였으며, 기존 LC25000 연구들이 결여하기 쉬운 신뢰 구간과 오차 분석을 제공합니다.

결과
보류된(held-out) 테스트 세트 5,497개 이미지(1,114개 패밀리)를 대상으로 평가한 결과:

성능: 모델은 99.25%의 정확도(95% CI: 99.02–99.49), 99.38%의 macro-F1, 0.9905의 Cohen's $\kappa$ , 그리고 0.9997의 macro-AUC를 달성했습니다.
오차 분석:
- 악성 탐지: 100% 민감도를 기록했습니다. 악성 이미지가 양성으로 오분류된 사례는 없었습니다.
- 장기 분류: 99.96%의 정확도를 기록했습니다. 단 2개의 이미지만 잘못된 장기로 할당되었습니다.
- 특정 오류: 총 41개의 오류 중 33개는 폐 편평 세포 암종이 폐 선암종으로 오분류된 것이었습니다. 이는 고형 성장 패턴을 공유하는 미분화 종양을 구별하는 데 따르는 어려움을 반영하며, 이는 실제 임상에서 면역 조직 화학 검사가 필요한 과제입니다.
비교: 본 모델은 세 가지 폐 클래스에 대해서만 97.00%에서 99.11% 사이의 정확도를 보고한 네 가지 최신 방법론(2025–2026)보다 우수한 성능을 보였습니다. 저자들은 해당 연구들이 더 적은 수의 클래스를 대상으로 무작위 분할을 사용한 반면, LungColonCancerPred-NN은 누수가 제어된 그룹화된 분할 하에서 5개 클래스를 처리했다는 점을 명시했습니다.

의의 및 주장
본 논문은 데이터 누수로 인해 발생하는 의료 영상 벤치마크의 "부풀려진 결과" 문제를 해결하는 데 주된 의의가 있다고 주장합니다. 근사 복사본들이 엄격하게 분리된 상황에서도 99.25%의 높은 정확도를 달 수 있음을 입증함으로써, 저자들은 자사 모델의 성능이 암기가 아닌 견고한 결과임을 강조합니다.

저자들은 해싱, 패밀리 그룹화, 감사 과정을 포함한 평가 프로토콜이 아키텍처에 무관하며(architecture-agnostic), 향후 LC25000에 관한 모든 연구에 채택되어야 한다고 강조합니다. 또한, 모델이 이 벤치마크에서 최첨단(SOTA) 결과를 달eric하지만, 남은 오류들(특히 폐 선암종과 폐 편평 세포 암종 간의 오류)은 인간 병리학자들이 겪는 어려움과 일치하며, 이는 이러한 사례들이 H&E 염색 이상의 추가적인 진단 도구를 필요로 할 수 있음을 시사한다고 겸허히 언급합니다. 결론적으로, 본 논문은 모델이 일반화 가능성을 추가로 검증하기 위해 LungHist700과 같은 외부 데이터셋 테스트를 위한 준비가 되었음을 밝히며 마무리됩니다.

기술 요약: LungColonCancerPred-NN

유사한 논문