[논문 리뷰] The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification

Tanay Donde|arXiv (Cornell University)|2026. 01. 01.

Cutaneous Melanoma Detection and Management인용 수 0

한 줄 요약

본 논문은 마스킹된 이미지, 바운딩 박스, 전이 학습을 사용하여 병변 영역에 대한 모델의 주의가 흑색종 분류 성능에 미치는 영향을 분석하고, 병변의 정렬을 평가하기 위한 설명 가능성 방법들을 제시한다. 병변에 더 집중된 주의가 일반적으로 진단 지표를 향상시킨다고 밝혔다.

ABSTRACT

Melanoma is the most lethal subtype of skin cancer, and early and accurate detection of this disease can greatly improve patients' outcomes. Although machine learning models, especially convolutional neural networks (CNNs), have shown great potential in automating melanoma classification, their diagnostic reliability still suffers due to inconsistent focus on lesion areas. In this study, we analyze the relationship between lesion attention and diagnostic performance, involving masked images, bounding box detection, and transfer learning. We used multiple explainability and sensitivity analysis approaches to investigate how well models aligned their attention with lesion areas and how this alignment correlated with precision, recall, and F1-score. Results showed that models with a higher focus on lesion areas achieved better diagnostic performance, suggesting the potential of interpretable AI in medical diagnostics. This study provides a foundation for developing more accurate and trustworthy melanoma classification models in the future.

연구 동기 및 목표

• 흑색종 진단에서 신뢰할 수 있는 AI의 필요성을 병변 주의가 성능에 미치는 영향을 검토하여 자극한다.
• 병변 영역에 대한 주의를 증가시키는 것이 분류 정확도, 정밀도, 재현율, F1-점수를 향상시키는지 평가한다.
• 병변 초점 강화를 위해 마스킹, 바운딩 박스 탐지, 전이 학습과 같은 기법을 평가한다.
• 주목 맵과 병변 간의 정렬을 질적으로 평가하기 위해 여러 설명 가능성 방법을 비교한다.

제안 방법

• ISIC-2019 및 HAM10000 데이터셋에서 CNN 기반 분류기(InceptionV3 기준선)를 학습하고 비교한다.
• HAM10000에서 학습된 YOLOv8를 이용한 바운딩 박스 탐지를 활용하여 분류 전 병변을 로컬라이즈한다.
• 세분화 마스크를 적용해 흰색 배경으로 병변을 고립시키는 마스킹된 이미지를 생성한다.
• 마스킹된 이미지로 학습된 모델을 정상 이미지로 미세조정하는 masked-to-regular 전이 학습을 수행한다.
• 다양한 정상 이미지 비율(50/75/90%)과 두 가지 학습 시작점(ImageNet-pretrained 및 skin-cancer pretrained)을 가진 마스킹된 데이터와 정상 데이터세트를 결합한다.
• Grad-CAM, Sobol’, 및 RISE를 적용하여 최종 모델의 병변 영역 정렬을 질적으로 평가한다.

실험 결과

연구 질문

• RQ1 병변 영역에 대한 모델 주의가 흑색종 분류 성능을 향상시키는지 상관관계가 있는가?
• RQ2 병변 위치 지정 및 마스킹 전략이 기준 분류기와 비교했을 때 진단 지표를 향상시키는가?
• RQ3 다양한 학습 구성에서 설명 가능성 방법이 병변과의 주의 정렬을 어떻게 반영하는가?
• RQ4 마스킹된 데이터와 정상 데이터의 결합이 정확도, 정밀도, 재현율, F1-점수에 어떤 영향을 미치는가?

주요 결과

• Baseline InceptionV3는 90.22% 정확도 및 0.743 F1(정밀도 0.8096, 재현율 0.6868)를 달성했다.
• YOLO 기반 병변 탐지는 85.13% 정확도였으나 0.348 F1에 그쳐 흑색종 탐지의 균형이 좋지 않음을 시사한다.
• 마스킹-정규 전이(최고 구성)로 90.19% 정확도 및 0.734 F1(정밀도 0.831, 재현율 0.657)을 얻었다.
• 75% 정상 이미지를 포함한 결합 데이터셋(방법 2)에서 91.87% 정확도 및 0.780 F1(정밀도 0.853, 재현율 0.719)을 달성했다.
• 진짜 흑색종 케이스의 경우 결합 데이터셋 모델의 주의 정렬 개선이 재현율 증가와 상관관계가 있었다(0.719).
• 진짜 비흑색종 케이스의 경우 주의 정렬 개선이 정밀도 증가와 상관관계가 있었다(0.853).