SynthEnsemble: CNN, 비전 트랜스포머, 하이브리드 모델의 융합을 통한 다중 레이블 흉부 X선 분류

흉부 질환의 진단에 가슴 X선 사진이 널리 사용되고 있지만, 이러한 이상 소견에 대한 상세 정보 부족으로 인해 정확한 자동 진단 시스템을 개발하는 것이 어려워, 이는 조기 발견과 효과적인 치료를 위한 중요한 요소입니다. 이 문제를 해결하기 위해, 우리는 다양한 질환과 관련된 가슴 X선 사진에서 패턴을 식별하기 위해 딥 러닝 기술을 활용했습니다. 우리는 다양한 사전 학습된 CNNs, 트랜스포머, 하이브리드(CNN+트랜스포머) 모델 및 고전적 모델을 사용하여 "ChestX-ray14" 데이터셋에서 실험을 수행했습니다. 가장 우수한 단일 모델은 CoAtNet으로, 수신자 운영 특성 곡선 아래 면적(AUROC) 84.2%를 달성했습니다. 각 모델의 가중치가 차등 진화(differential evolution) 방법을 통해 결정된 가중 평균 앙상블(weighted average ensemble)을 사용하여 모든 학습된 모델의 예측 값을 결합함으로써, AUROC를 85.4%로 더욱 향상시켰으며, 이는 해당 분야의 다른 최신 방법들을 능가하는 결과입니다. 우리의 연구 결과는 특히 앙상블 딥 러닝 기술이 가슴 X선 사진을 이용한 흉부 질환의 자동 진단 정확도를 개선할 잠재력을 보여줍니다. 코드는 다음 주소에서 확인 가능합니다: https://github.com/syednabilashraf/SynthEnsemble