|
목적 : 토너먼트 기반의 convolutional neural network (CNN)를 이용한 기계학습 알고리듬으로 세극등현미경 사진에서 핵백내장의 경화 정도를 구별하는 인공지능의 정확도를 평가하고자 한다.
방법 : 164명의 세극등현미경 사진 294장을 연구에 사용하였다. 세극등현미경 사진 촬영 시 Lens Opacities Classification System III 기준에 따라 핵백내장의 경화도를 NC1-NC6 6개의 등급으로 구분하였다. 토너먼트 기반의 CNN은 6개의 등급으로 이루어진 백내장 데이터셋을 2개의 복수의 등급들의 집합으로 판별하는 이진 CNN의 여러 단계로 이루어지며, 6개의 등급 모두가 하나의 집합에 하나의 등급이 소속될 때까지 반복하여, 입력값이 속하는 최종 하위 집합이 예측 결과 등급이 된다. 안과 전문의에 의한 진단을 참값으로 하여 토너먼트 기반의 CNN, 랭킹 CNN, CNN_linear, Resnet 알고리듬에 의한 백내장 등급 진단의 정확도를 비교하였다.
결과 : 세극등현미경 사진의 핵백내장 등급은 NC1이 8장 (2.7%), NC2 96장 (32.7%), NC3 105장 (35.7%), NC4 63장 (21.4%), NC5 14장 (4.8%), NC6 8장 (2.7%)으로 등급간 데이터 수 불균형으로 데이터 수가 적은 등급의 학습에 방해가 되어 기존 접근방법에서 진단 정확도가 낮게 될 것으로 예측되었다. 실제 NC1과 NC6의 진단 정확도는 토너먼트 기반의 CNN의 경우 각각 50%와 50%로 기존의 랭킹 CNN (각, 0%와 0%), CNN_liner (각, 0%와 0%), Resnet (각, 12%와 50%) 보다 우수하였다. 또한, 전체 진단의 평균 정확도는 토너먼트 기반 CNN의 경우 68.36%로 기존의 랭킹 CNN (53.40%), CNN_liner (57.48%), Resnet (56.12%) 보다 우수한 결과를 보였다.
결론 : 의학분야에서 얻어지는 데이터는 질환의 빈도에 따라 획득되는 데이터 수에 불균형이 있으며, 백내장 등급과 같은 데이터의 경우 등급간에 그 경계가 모호하다. 토너먼트 기반 CNN의 경우 등급간의 모호함을 해결하고, 등급 간 학습 시 수의 균형을 맞추는 효과를 통해 기존의 다른 인공신경망 모델에 비해 양극단의 데이터 분류 성능의 확연한 향상을 가져올 수 있어, 의학분야의 영상 분석에 유용하게 사용될 수 있을 것으로 생각된다.
|