피부암은 미국에서 가장 흔한 암 중의 하나이며 국내에서도 고령화, 오존층 변화와 자외선 노출 빈도의 증가에 따른 발병 율이 증가 하고 있다. 피부암 중의 약 2.1%인 전이 율이 높아 치료하기가 쉽지 않은 악성 흑색종(Malignant melanoma)이며 이와 달리 양성 흑색종 (NMSK: Nonmelanoma Skin Cancer)은 암으로 분류되긴 하지만, 피부 내에서만 자라고, 전이 율이 적어 초기에 발견하여 암 부위만 제거하면 10년 이상 생존율이 89%이상인 양성 암이다. 따라서, 초기에 아주 작은 수지만 위험한 악성 흑색종과 많은 수의 크게 위험하지 않은 양성 흑색종을 구분하여 적절히 치료하는 것은 피부암 치료에서 아주 중요한 부분이라고 할 수 있다. 흑색종 진단에 많이 사용되어져 왔던 전통적인 특징점(Feature)들로는 ABCD criteria(그림 1)과 같이 의심영역의 비대칭성(A: Asymmetry), 경계의 불규칙성(B:Border irregularity), 색조의 다양성(C: Color variegation) 등이 있다. 피부암 진단에 대한 연구는 많은 진전이 있었고, 2018년의 International Skin Imaging Collaboration (ISIC) 는 피부암 판별 경진대회를 열어서 사실상 이 분야의 벤치마크가 되었다. 다양한 영상 분류 알고리즘과 기법이 시도되었고 특히 CNN을 이용한 진단 결과들은 피부과 전문의 진단결과와 비슷하거나 더 좋은 결과를 내기도 했다. CNN의 이런 좋은 성과에도 불구하고 의학영역은 환자의 목숨을 다루기 때문에 높은 정확도와 함께 고려해야 할 것은 설명 가능한 심층학습의 필요성이다. 예를 들어, 만약 의학적 사고가 발생하였을 때 의료 행위에 대한 과실 책임에 대한 문제가 대두 되고 있다. 즉 의료사고에 대한 책임을 누가 질 것인가?, 의료 사고의 발생 원인이 무엇이며 어떻게 설명할 수 있는가?, 만약 결과가 좋다면 어떻게 이 방법을 발전시킬 수 있을 것인가? 의 문제들이다. 이를 위해 Grad-CAM 기법, Image Occulsion 기법, LIME (Local interpretable model-agnostic explanations)기법 등이 사용되고 있다. 이런 기법들을 이용하여 잘 알려진 진단 결과가 우수한 심층학습을 대상으로 어떤 특징 점들이 진단 결과의 우수성에 영향을 미치는 지 조사하려고 한다. 이 기법을 통해 전통적으로 알려진 특징 점인 A(비대칭성), B(경계 불규칙성), C(색조 다양성), D(크기) 와 설명 가능한 심층학습 기법으로 새로운 특징 점을 발견할 수 있을지 알아보고자 한다.
Meeting ID: 857 8963 8008 Passcode: 932161
|
