[논문 리뷰] Recent advances in deep learning applied to skin cancer detection

André G. C. Pacheco, Renato A. Krohling|arXiv (Cornell University)|2019. 12. 06.

Cutaneous Melanoma Detection and Management참고 문헌 35인용 수 11

한 줄 요약

이 논문은 최근 딥러닝 기반 자동 피부암 진단 기술의 발전을 검토하며, 도구형 신경망(CNN)과 앙상블 모델이 피부현미경 및 임상 영상에서 피부과 전문의 수준의 성능을 달성하는 데 중점을 둔다. 스마트폰에 모델을 구현하는 데서 발생하는 과제, 데이터 프라이버시 문제, 그리고 설명 가능한 AI의 필요성을 강조하며, 임상 활용도와 자원이 부족한 환경에서의 접근성을 향상시키기 위해 시각질문응답(VQA)과 다중모달 영상 기술의 활용을 제안한다.

ABSTRACT

Skin cancer is a major public health problem around the world. Its early detection is very important to increase patient prognostics. However, the lack of qualified professionals and medical instruments are significant issues in this field. In this context, over the past few years, deep learning models applied to automated skin cancer detection have become a trend. In this paper, we present an overview of the recent advances reported in this field as well as a discussion about the challenges and opportunities for improvement in the current models. In addition, we also present some important aspects regarding the use of these models in smartphones and indicate future directions we believe the field will take.

연구 동기 및 목표

• 최신 딥러닝 모델, 특히 CNN과 앙상블 방법을 활용한 자동 피부암 진단 모델의 상태를 검토하기 위해.
• 특히 원격 또는 자원이 부족한 지역에서 스마트폰에 이러한 모델을 구현할 때 발생하는 실제 환경 적용 과제를 특정하기 위해.
• 이동형 헬스 애플리케이션에서의 데이터 프라이버시, 환자 기밀 보호, 모델 투명성 등의 윤리적 및 기술적 문제를 검토하기 위해.
• 다중모달 영상(임상, 피부현미경, 조직병리학적 영상)과 시각질문응답(VQA)을 통해 임상의 신뢰도와 진단 해석 가능성 향상을 위한 향후 방향성 제안하기 위해.
• 소비자용 피부암 진단 앱을 공개 배포하기 전에 경량 모델 설계와 전문가 자격 인증을 추진하기 위해.

제안 방법

• 딥러닝 모델의 훈련 및 평가를 위해 대규모 피부현미경 데이터셋, 예를 들어 ISIC 아카이브(훈련 25,331장, 테스트 8,238장)를 활용하기 위해.
• 높은 진단 정확도를 달성하기 위해 사전 훈련된 매우 깊은 CNN 아키텍처, 예를 들어 잔차 네트워크를 활용하기 위해.
• 다양한 CNN 아키텍처를 조합하여 정확도와 견고성을 향상시키기 위해 앙상블 학습 기법을 적용하기 위해.
• 기존의 대규모 임상 영상 컬렉션(예: Esteva 등이 사용한 129,450장의 영상 데이터셋)에서 훈련된 모델을 새로운 진단 과제에 적응시키기 위해 전이학습 기법을 도입하기 위해.
• 진단 추론 능력을 향상시키기 위해 임상, 피부현미경, 조직병리학적 영상 등 다양한 모달리티의 데이터 통합을 탐색하기 위해.
• 임상의가 모델 예측에 대해 질의할 수 있도록 허용함으로써 해석 가능성과 임상적 관련성을 높이기 위해 시각질문응답(VQA) 프레임워크를 제안하기 위해.

실험 결과

연구 질문

• RQ1 딥러닝 모델, 특히 CNN과 앙상블 방법은 피부현미경 및 임상 영상에서 피부암을 진단하는 데 있어 피부과 전문의와 비교해 어떻게 성능을 내는가?
• RQ2 특히 인터넷 접근이 제한된 지역에서 스마트폰에 피부암 진단 모델을 배포할 때 주로 발생하는 기술적 및 윤리적 과제는 무엇인가?
• RQ3 환자의 신뢰와 임상 적용을 보장하기 위해 모델의 해석 가능성과 투명성을 어떻게 향상시킬 수 있는가?
• RQ4 임상, 피부현미경, 조직병리학적 영상 등 다중모달 영상 통합이 진단 정확도와 임상적 유용성을 얼마나 향상시킬 수 있는가?
• RQ5 시각질문응답(VQA)이 임상의가 AI 기반 피부암 진단 시스템의 사용성과 수용도를 높이는데 어떤 역할을 할 수 있는가?

주요 결과

• 특히 앙상블 CNN 모델은 ISIC 아카이브의 피부현미경 영상에서 양성 및 악성 피부 병변을 진단하는 데 피부과 전문의 수준의 성능을 달성하였다.
• Esteva 등이 129,450장의 임상 영상에서 훈련한 모델은 자격을 갖춘 피부과 전문의와 비교해 유사한 진단 정확도를 보였지만, 해당 데이터셋은 여전히 비공개이므로 연구 공동체에서 접근이 불가능하다.
• 높은 성능에도 불구하고 현재 스마트폰 기반 앱은 대부분 서버 기반 추론에 의존하여 인터넷이 연결되지 않은 원격 지역에서는 功能 제한이 발생한다.
• 기존 스마트폰 앱 중 다수는 저자 정보, 데이터 처리 방식, 임상 유효성 검증에 대한 투명성이 부족하여 환자 안전과 데이터 프라이버시에 대한 우려를 제기한다.
• 흑색종 진단에서의 잘못된 음성 결과는 치료 지연과 잠재적 사망 위험을 초래하므로, 공개 배포 전에 철저한 테스트와 전문가 자격 인증이 반드시 필요하다.
• 향후 시스템은 다중모달 영상 통합과 VQA 프레임워크를 도입하여 해석 가능성과 임상의의 참여도를 향상시켜 이진 분류를 넘어서 상호작용 기반 진단 지원 체계로 전환해야 한다.