재귀 기반 딥러닝을 이용한 마요 내시경 점수에 따른 궤양성 대장염 중증도의 컴퓨터 지원 추정 향상

배경: 궤양성 대장염(Ulcerative Colitis, UC)의 내시경적 활성도 평가는 치료 결정 및 질환 경과 모니터링에 있어 중요하다. 그러나 평가 시 평가자 간 및 평가자 내 변동성이 크기 때문에 평가의 신뢰성이 저하된다. 본 연구의 목적은 심층 학습을 활용한 컴퓨터 지원 진단 시스템을 개발하여 주관성을 감소시키고 평가의 신뢰성을 향상시키는 것이다.방법: 연구 대상은 564명의 환자에서 획득한 총 11,276개의 내시경 영상으로 구성되었다. 본 연구에서는 Mayo 내시경 점수(Mayo Endoscopic Score, MES) 기준에 따라 UC의 내시경적 평가를 위한 회귀 기반의 심층 학습 접근법을 제안하였다. 성능 측정 및 비교를 위해 5종의 최신 기술 기반의 합성곱 신경망(Convolutional Neural Network, CNN) 아키텍처를 사용하였으며, 모델의 학습과 객관적 비교를 위해 10중 교차 검증(10-fold cross-validation)을 적용하였다. 모델 성능은 전체 Mayo 점수 분류에 대해 2차 가중 카파 계수(Quadratic Weighted Kappa) 및 매크로 F1 점수, 그리고 완화 상태 분류에 대해 카파 통계 및 F1 점수를 기준으로 평가하였다.결과: 본 연구에서 사용된 5종의 분류 기반 CNN 아키텍처는 모든 Mayo 하위 점수 및 완화 상태 분류에서 전문가 주석과 뛰어난 일치도를 보였다(카파 계수 기준). 제안된 회귀 기반 접근법을 적용한 결과, (1) 대부분의 모델에서 성능이 통계적으로 유의하게 향상되었으며, (2) 서로 다른 교차 검증 폴드에서 학습된 동일한 모델이 테스트 세트에서 폴드 간 변동성이 작아져 보다 안정적인 결과를 도출하였다.결론: 포괄적인 실험 평가를 통해 기존에 널리 사용되는 분류 기반 CNN 아키텍처가 UC의 내시경적 질환 활성도 평가에서 우수한 성능을 발휘함을 확인하였다. 이러한 아키텍처에 영역 지식을 통합함으로써 성능과 안정성이 더욱 향상되며, 임상 적용을 위한 전환을 가속화할 수 있다.