CNN을 활용한 계층적 질병 종속성과 불확실성 레이블을 고려한 흉부 X선 해석

흉부 방사선 촬영은 다양한 흉부 질환의 스크리닝 및 진단에 있어 가장 흔한 진단 방사선 검사 중 하나로, 매우 중요한 역할을 한다. 특정 병변, 예를 들어 폐 결절이나 폐암 등을 탐지하기 위해 전문적인 알고리즘이 개발되어 왔다. 그러나 흉부 X선 사진(CXR)에서 여러 질환의 존재를 정확하게 탐지하는 것은 여전히 도전적인 과제이다. 본 논문은 깊이 있는 합성 신경망(CNN) 기반의 지도 학습 다중 레이블 분류 프레임워크를 제안하여, 14가지 흔한 흉부 질환의 위험도를 예측한다. 이 문제를 해결하기 위해, 병변 레이블 간의 종속성을 효과적으로 활용하는 최신 기술의 CNN을 훈련시켰으며, 거의 모든 CXR 데이터셋에서 상당한 비중을 차지하는 불확실한 샘플들을 더 잘 다루기 위해 레이블 스무딩 기법을 도입하였다. 제안된 모델은 최근 공개된 CheXpert 데이터셋의 20만 건 이상의 CXR 이미지로 훈련되었으며, 검증 세트에서 5가지 선택된 병변을 예측할 때 평균 AUC(곡선 아래 면적)가 0.940을 기록하여, 지금까지 보고된 최고 수준의 AUC 성능을 달성하였다. 또한 본 방법은 CheXpert 경진대회에서 독립된 테스트 세트(5명의 경험이 풍부한 방사선 전문의가 공동으로 주석한 500건의 CXR 연구)를 통해 평가되었으며, 평균 AUC가 0.930으로, 3명의 개별 방사선 전문의 중 2.6명 이상의 성능을 초과하는 결과를 보였으며, 이는 본 논문 작성 시점에서 CheXpert 리더보드에서 1위에 해당한다.