폐렴은 세균 또는 바이러스에 의해 발생하는 호흡기 감염으로, 특히 오염 수준이 높고 비위생적인 생활환경 및 과밀 거주가 비교적 흔하며, 더불어 의료 인프라가 충분하지 않은 개발도상국 및 저개발국에서 많은 사람에게 영향을 미친다. 폐렴은 흉막삼출을 유발할 수 있는데, 흉막삼출은 체액이 폐에 차는 상태로 호흡 곤란을 초래한다. 폐렴의 조기 진단은 근치적 치료를 보장하고 생존율을 높이기 위해 중요하다. 흉부 X-선 영상은 폐렴 진단에 가장 널리 사용되는 방법이다. 그러나 흉부 X-선의 판독은 어려운 작업이며 주관적 변이에 취약하다. 본 연구에서는 흉부 X-선 영상을 이용하여 자동 폐렴 검출을 위한 컴퓨터 보조 진단 시스템을 개발하였다. 이용 가능한 데이터의 부족 문제를 해결하기 위해 딥 트랜스퍼 러닝을 적용하였고, 세 가지 합성곱 신경망 모델인 GoogLeNet, ResNet-18, DenseNet-121의 앙상블을 설계하였다. 가중 평균 앙상블 기법을 채택하였으며, 기본 학습기에 부여되는 가중치는 새로운 접근법을 사용하여 결정하였다. 정밀도(precision), 재현율(recall), f1-score, 곡선 아래 면적(area under the curve)의 네 가지 표준 평가 지표 점수를 결합하여 가중치 벡터를 구성하였는데, 문헌의 관련 연구에서는 이 가중치를 흔히 실험적으로 설정해 왔으며 이는 오류 가능성이 있다. 제안한 접근법은 Kermany 등이 제공한 공개 폐렴 X-선 데이터셋과 북미방사선의학회(Radiological Society of North America, RSNA)가 제공한 데이터셋, 두 가지에 대해 각각 다섯 겹 교차검증(five-fold cross-validation) 방식으로 평가하였다. 제안된 방법은 Kermany 및 RSNA 데이터셋에서 각각 정확도 98.81%와 86.85%, 민감도 98.80%와 87.02%를 달성하였다. 그 결과는 최신(state-of-the-art) 방법들보다 우수했으며, 또한 제안 방법은 널리 사용되는 앙상블 기법보다 더 나은 성능을 보였다. 데이터셋에 대한 McNemar 및 ANOVA 검정을 이용한 통계 분석은 접근법의 견고성을 보여주었다. 제안 연구의 코드는 https://github.com/Rohit-Kundu/Ensemble-Pneumonia-Detection 에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.