Core Concepts
본 연구는 폐 질환 진단을 위해 다양한 딥러닝 및 트랜스포머 기반 모델을 활용하여 높은 정확도를 달성하였으며, XAI 기법을 통해 모델의 의사결정 과정을 설명할 수 있었다.
Abstract
본 연구는 폐 질환 진단을 위해 다양한 딥러닝 및 트랜스포머 기반 모델을 활용하였다. 구체적으로:
데이터 전처리 및 증강: 데이터셋을 전처리하고 다양한 데이터 증강 기법을 적용하여 모델의 성능 향상을 도모하였다.
딥러닝 모델 개발: CNN, 하이브리드 모델, 앙상블 모델, 트랜스포머 모델 등 다양한 모델 아키텍처를 탐색하였다. 특히 Xception 모델이 96.21%의 최고 정확도를 달성하였다.
하이퍼파라미터 튜닝 및 전이 학습: 그리드 서치를 통한 하이퍼파라미터 튜닝과 전이 학습을 적용하여 모델 성능을 향상시켰다.
교차 검증: 3-fold 및 5-fold 교차 검증을 수행하여 모델의 일반화 성능을 평가하였다. 5-fold 교차 검증에서 Xception 모델은 96.20%의 평균 정확도를 달성하였다.
XAI 기법 적용: Grad-CAM과 LIME을 활용하여 모델의 의사결정 과정을 시각화하고 설명할 수 있었다. 이를 통해 모델의 신뢰성과 투명성을 높일 수 있었다.
본 연구는 폐 질환 진단에 있어 딥러닝 및 XAI 기법의 우수한 성능을 입증하였으며, 향후 실제 의료 현장에서의 활용 가능성을 시사한다.
Stats
폐 질환 데이터셋은 총 10,095장의 흉부 X선 영상으로 구성되어 있다.
데이터셋은 훈련 데이터 6,054장(59.97%), 테스트 데이터 2,025장(20.06%), 검증 데이터 2,016장(19.97%)으로 분할되어 있다.
데이터셋에는 세균성 폐렴, 코로나19, 정상, 결핵, 바이러스성 폐렴 등 5개 클래스의 영상이 포함되어 있다.
Quotes
"본 연구의 기여는 (1) 기존 연구 결과를 능가하는 다중 클래스 분류 성능을 달성했다는 점과 (2) XAI 기법을 활용하여 포괄적인 접근법을 제시했다는 점이다."