[논문 리뷰] A Machine Vision Approach to Preliminary Skin Lesion Assessments

Ali Khreis, Ro'Yah Radaideh외 1명|arXiv (Cornell University)|2026. 01. 21.

Cutaneous Melanoma Detection and Management인용 수 0

한 줄 요약

본 논문은 ABCD 피부진찰 규칙을 머신러닝과 통합하여 피부 병변을 평가하고, 손으로 만든 규칙 기반 파이프라인과 ML 모델을 비교하며, 처음부터 학습된 CNN을 포함하여 HAM10000 데이터에서 정확도를 향상시킨다.

ABSTRACT

Early detection of malignant skin lesions is critical for improving patient outcomes in aggressive, metastatic skin cancers. This study evaluates a comprehensive system for preliminary skin lesion assessment that combines the clinically established ABCD rule of dermoscopy (analyzing Asymmetry, Borders, Color, and Dermoscopic Structures) with machine learning classification. Using a 1,000-image subset of the HAM10000 dataset, the system implements an automated, rule-based pipeline to compute a Total Dermoscopy Score (TDS) for each lesion. This handcrafted approach is compared against various machine learning solutions, including traditional classifiers (Logistic Regression, Random Forest, and SVM) and deep learning models. While the rule-based system provides high clinical interpretability, results indicate a performance bottleneck when reducing complex morphology to five numerical features. Experimental findings show that transfer learning with EfficientNet-B0 failed significantly due to domain shift between natural and medical images. In contrast, a custom three-layer Convolutional Neural Network (CNN) trained from scratch achieved 78.5% accuracy and 86.5% recall on median-filtered images, representing a 19-point accuracy improvement over traditional methods. The results demonstrate that direct pixel-level learning captures diagnostic patterns beyond handcrafted features and that purpose-built lightweight architectures can outperform large pretrained models for small, domain-specific medical datasets.

연구 동기 및 목표

• 멜라노마 탐지를 돕기 위해 조기에 해석 가능한 병변 평가를 촉진한다.
• 피부경 검사 특징으로부터 Total Dermoscopy Score(TDS)를 계산하는 하이브리드 파이프라인을 개발한다.
• 표준화된 데이터셋에서 수작업으로 만든 규칙 기반, 전통 ML, 심층 학습 접근법을 비교한다.
• 도메인 시프트와 데이터셋 크기가 모델 성능에 미치는 영향을 평가한다.
• 작은 의료 데이터셋에 대해 경량화된 맞춤형 CNN의 타당성을 시연한다.

제안 방법

• ABCD 규칙 특징으로부터 Total Dermoscopy Score(TDS)를 계산하는 규칙 기반 파이프라인을 구현한다.
• 동일 작업에서 전통적 분류기(Logistic Regression, Random Forest, SVM)를 평가한다.
• HAM10000 유래 이미지에서 EfficientNet-B0을 활용한 전이 학습을 테스트한다.
• 중간 필터링된 이미지에서 커스텀 3-층 CNN을 처음부터 학습시킨다.
• 접근 방식 간 정확도와 재현율 측면에서 성능을 비교한다.

실험 결과

연구 질문

• RQ1 규칙 기반의 ABCD 파생 TDS가 ML 모델과 유사한 진단 신호를 제공할 수 있는가?
• RQ2 전통 ML 모델이나 전이 학습 네트워크가 HAM10000 유래 데이터에서 수작업 특징을 능가하는가?
• RQ3 작고 맞춤형으로 학습된 CNN이 작은 의료 데이터셋에서 더 큰 프리트레인 모델을 능가할 수 있는가?

주요 결과

• 규칙 기반 TDS 접근은 높은 임상 해석 가능성을 제공하지만, 형태를 다섯 가지 특징으로 압축할 때 성능에 한계가 나타난다.
• Natural vs medical images 간의 도메인 시프트로 인해 EfficientNet-B0를 이용한 전이 학습이 크게 실패했다.
• 중간 필터링된 이미지에서 커스텀 3-층 CNN을 처음부터 학습시켜 78.5% 정확도와 86.5% 재현율을 달성했다.
• 그 CNN은 전통적 방법보다 약 19포인트의 정확도 향상으로 앞섰다.
• 직접적인 픽셀 수준 학습은 수작업 특징을 넘어 진단 패턴을 포착했고, 작은 데이터셋에 대해 경량 아키텍처를 뒷받침한다.