초록
자동 폐 결절 분류는 폐암의 조기 진단에 중요한 역할을 합니다. 최근에는 딥 러닝 기술이 이 분야에서 놀라운 발전을 이루어냈습니다. 그러나 이러한 딥 모델은 일반적으로 계산 복잡도가 높고, 흑상자(Black-box) 방식으로 작동합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 효율적이며 (부분적으로) 설명 가능한 분류 모델을 구축하는 것을 목표로 합니다. 특히, \emph{뉴럴 아키텍처 서치} (Neural Architecture Search, NAS)를 사용하여 정확성과 속도의 우수한 균형을 이루는 3D 네트워크 아키텍처를 자동으로 탐색합니다. 또한, 네트워크 내에 컨볼루션 블록 주의 모듈(Convolutional Block Attention Module, CBAM)을 사용하여 추론 과정을 이해할 수 있도록 돕습니다. 학습 단계에서는 A-Softmax 손실 함수를 사용하여 각도별로 구분력 있는 표현을 학습합니다. 추론 단계에서는 다양한 신경망들의 앙상블을 활용하여 예측 정확도와 강건성을 개선합니다. LIDC-IDRI 데이터베이스에서 광범위한 실험을 수행하였으며, 이전 최신 기법들과 비교해 1/40 미만의 매개변수를 사용하면서도 매우 유사한 성능을 보였습니다. 경험적 연구 결과, 학습된 네트워크의 추론 과정이 의사들의 진단과 일치함을 확인하였습니다. 관련 코드와 결과는 다음과 같은 URL에서 공개되었습니다: https://github.com/fei-hdu/NAS-Lung.