실제 시나리오에서 조기 및 성숙한 말라리아 기생충에 대한 효과적인 엔드투엔드 탐지에 기반한 어텐션 메커니즘을 활용한 심층 아키텍처

배경: 말라리아는 플라스모디움 기생충에 의해 유발되는 심각하고 치명적인 질환으로, 전 세계적으로 60만 명 이상의 사망을 초래하고 있다. 효과적인 치료를 위해서는 말라리아 기생충의 조기 및 정확한 진단이 필수적이지만, 전통적인 현미경 검사는 변동성과 효율성 측면에서 한계를 지닌다.방법: 본 연구에서는 심층 학습과 주의 메커니즘(attention mechanism)을 기반으로 한 새로운 컴퓨터 보조 진단 프레임워크를 제안한다. 이는 YOLO-SPAM 및 YOLO-PAM 모델을 확장한 것으로, 말라리아 기생충의 모든 감염 단계에 대한 탐지 및 분류를 가능하게 하며, 다중 종류의 기생충 식별을 지원한다.결과: 제안된 프레임워크는 공개된 세 가지 데이터셋을 대상으로 평가되었으며, 네 가지 다른 말라리아 종과 그 생애 단계를 높은 정확도로 탐지함을 확인하였다. 최신 기술과의 비교 분석 결과, 탐지율과 진단 활용성 측면에서 두드러진 향상이 확인되었다.결론: 본 연구는 자동화된 말라리아 진단을 위한 강력한 솔루션을 제시하며, 병리학자들에게 유용한 지원을 제공함으로써 실제 임상 환경에서의 진단 실무를 향상시킬 수 있다.