통역사 훈련에서 자동화된 품질 평가(AQA)에서 비자연스러운 일시정지를 탐지하는 것은 핵심적인 구성 요소이다. 일시정지 패턴은 통역사의 인지 부하와 유창성 수준을 직접적으로 반영하기 때문이다. 전통적인 일시정지 탐지 방법은 (예: 1.0초)와 같은 정적 시간 임계값에 의존하는데, 이는 발화 속도 변동이 큰 구간별 특성과 개인별 발화 양식을 충분히 반영하지 못하는 경우가 많다. 본 연구는 고립 임계값 포레스트(Isolation Forest, iForest)를 이용한 비지도 이상탐지와 슬라이딩 윈도 기법을 통합한 문맥 적응형 일시정지 탐지 프레임워크를 제안한다. 교육적 타당성을 높이기 위해, 문장 경계를 전문 통역 전문가가 주석한 문장 경계 구획 모델을 사용하여 설정함으로써 문장 내부(intra-sentential) 일시정지에 초점을 맞추었다. 제안한 모델은 전문 통역 전문가가 주석한 정답 라벨(ground-truth labels)과의 비교를 통해 평가되었다. 연구 결과, 슬라이딩 윈도 기반의 문맥 이상탐지 모델은 특히 재현율과 Cohen’s kappa 측면에서 기존의 정적 기준 모델보다 유의미하게 우수함을 보여주었다. 또한 가중 F3-score와 ‘Recognition-over-Recall’ 원칙을 적용함으로써, 본 모델이 새로 주석을 생성하는 데서 부담을 전환하여 보다 효율적인 수정적 가지치기(corrective pruning)로 업무를 수행하게 함으로써 교수자의 총 운영 부담을 실질적으로 감소시킨다는 점을 확인하였다. 이러한 결과는 음성에 적응하는 모델링이 자동 통역 평가 및 피드백을 위한 보다 신뢰할 수 있고 노동 절감적인 프레임워크를 제공함을 시사한다. 구체적으로 본 연구는 세 가지 주요 기여를 한다: (1) 이상탐지를 활용한 문맥 적응형 일시정지 탐지 프레임워크의 제안, (2) 발화 속도에 민감한 분석을 위한 슬라이딩 윈도 기반 국소 문맥 모델링의 통합, (3) 통역사 훈련에서 교수자 부담을 줄이기 위한 ‘Recognition-over-Recall’ 원칙에 기반한 평가 전략의 도입.

본 연구는 컴퓨터과학 비전공 초보 학습자를 대상으로, 서로 다른 프로그래밍 패러다임이 학습 경험 및 인지적 어려움과 어떻게 연관되는지 살펴본다. 특정 수업 맥락 안에 배치된 사례연구(case-study) 접근법을 사용하여, 학부 학생 설문 자료와 Stack Overflow의 대규모 공개 질의응답 데이터를 통합함으로써 패러다임 관련 난이도 양상을 탐색한다. 네 가지 수업 맥락—C, Java, Python, Prolog—을 명령형, 객체지향, 함수형 스타일, 논리 기반 패러다임의 교육적 구현 사례로서 텍스트 클러스터링, 워드 임베딩(word embedding) 모델, 상호작용 기반 복잡도 지표를 활용하여 고찰하였다. 분석 결과, 패러다임의 맥락에 따라 구별되는 학습 어려움의 양상이 확인되었는데, 여기에는 C 기반 수업에서의 저수준 메모리 관리와 관련된 어려움, 객체지향 맥락에서의 추상화 및 설계 추론, Prolog 기반 수업에서의 추론 중심 추론, 함수형 스타일 프로그래밍 과제에서의 재귀(recursion) 관련 어려움이 포함된다. 설문 응답은 공개 Q&A 데이터에서 관찰된 양상과 전반적으로 일관된 경향을 보이며, 학습자 중심 교육 분석을 위한 보완적 자료원으로 대규모 커뮤니티 생성 콘텐츠의 활용을 뒷받침한다. 이러한 یافته를 바탕으로 본 연구는 비교 가능한 교육 환경 내에서 비전공 학습자를 대상으로 한 프로그래밍 교육에 대해 패러다임을 고려한 수업 시사점을 논의한다. 본 결과는 차별화된 교수 접근법에 대한 경험적 근거를 제공함과 동시에, 교육과정 중심의 교수 및 적응형 학습 시스템에 관한 향후 연구에 관련된 증거 기반 통찰을 제공한다.

피부암의 조기 및 정확한 탐지는 사망률을 감소시키고 환자 예후를 개선할 수 있으나, 이를 위해서는 고도화된 진단이 필요하다. 의료 분야에 인공지능(AI)을 통합함으로써 피부암을 정밀하고 적시에 탐지할 수 있다. 그러나 시각적으로 유사한 피부 질환을 구별하기 어렵다는 점과 다양하고 대표성 있는 데이터셋의 한계 등 여전히 중대한 과제가 남아 있다. 본 연구에서는 피부암의 조기 탐지를 위해 설계된 새로운 딥러닝 프레임워크인 DCAN-Net을 제안하였다. 이 모델은 다양한 피부 패턴을 포착하도록 최적화된 효율적인 백본(backbone) 아키텍처를 활용하며, 면밀하게 조정된 파라미터를 통해 분별 능력을 향상시키고, 수정된 어텐션(attention) 모듈을 사용하여 추출된 특징을 정교화함으로써 배경 잡음을 최소화하면서 관련 전경(foreground) 정보를 우선시한다. 또한 설명가능한 AI 기법인 Grad-CAM을 적용하여 피부경(dermatoscopic) 이미지 내에서 가장 두드러진 특징을 강조하였다. 결합된 최적 특징 표현은 피부경 이미지 분석을 크게 향상시켰다. HAM10000 데이터셋에서 평가한 결과, DCAN-Net은 정밀도, 재현율, F1-score, 정확도에서 각각 97.00%, 97.57%, 97.10%, 97.57%를 달성하였다. 더 나아가 고급 데이터 증강 기법의 적용은 데이터 불균형 문제를 완화하고, 원본 데이터셋과 증강 데이터셋 전반에서 위양성 및 위음성 비율을 감소시켰다. 이러한 결과는 임상적 결과를 개선하고 AI 기반 피부암 진단의 발전에 기여할 수 있는 DCAN-Net의 잠재력을 보여준다.

전 세계적으로 유방암(BC)은 여성의 주요 사망 원인으로 간주된다. 이에 따라 연구자들은 X-ray, MRI 및 유방촬영(mammography) 이미지 양식을 이용하여 조기적이고 정확한 검출을 위해 다양한 기계학습 및 딥러닝 기반 방법을 활용해 왔다. 그러나 기계학습 모델은 최적의 특성을 선택하기 위해 도메인 전문가가 필요하며, 제한된 정확도를 보이고, 수작업 기반 특징 추출로 인해 높은 오탐(false positive)률을 나타낸다. 딥러닝 모델은 이러한 한계를 극복하지만, 대량의 학습 데이터와 연산 자원을 필요로 하며, 모델 성능의 추가 향상이 요구된다. 이를 위해 본 연구에서는 유방암 영상 내 감염된 영역을 자동으로 분류하는 새로운 프레임워크인 Ensemble-based Channel and Spatial Attention Network (ECS-A-Net)을 제안한다. 제안된 프레임워크는 두 단계로 구성된다. 첫 번째 단계에서는 입력 데이터의 크기를 향상시키기 위해 서로 다른 증강(augmentation) 기법을 적용한다. 두 번째 단계에서는 특징 추출을 위한 백본(backbone)으로 수정된 SE-ResNet50과 InceptionV3를 병렬적으로 활용하는 앙상블 기법을 포함하며, 이어서 보다 지배적인 특징 선정을 위해 Channel Attention(CA)과 Spatial Attention(SA) 모듈을 연속적인 방식으로 적용한다. ECS-A-Net의 타당성을 추가로 검증하기 위해, 제안 모델이 DDSM 데이터셋에서 96.50%의 정확도, MIAS 데이터셋에서 95.33%의 정확도를 달성한 것으로 나타난 두 개의 벤치마크(DDSM 및 MIAS)를 대상으로 여러 경쟁적인 최첨단(SOTA) 기법 간에 광범위한 실험을 수행하였다. 또한 실험 결과는 정확도, 민감도(sensitivity), 특이도(specificity) 등 다양한 평가 지표에서 우리의 네트워크가 다른 방법들보다 더 나은 성능을 달성함을 보여주었다.

통역사 훈련에서 자동화된 품질 평가(AQA)에서 비자연스러운 일시정지를 탐지하는 것은 핵심적인 구성 요소이다. 일시정지 패턴은 통역사의 인지 부하와 유창성 수준을 직접적으로 반영하기 때문이다. 전통적인 일시정지 탐지 방법은 (예: 1.0초)와 같은 정적 시간 임계값에 의존하는데, 이는 발화 속도 변동이 큰 구간별 특성과 개인별 발화 양식을 충분히 반영하지 못하는 경우가 많다. 본 연구는 고립 임계값 포레스트(Isolation Forest, iForest)를 이용한 비지도 이상탐지와 슬라이딩 윈도 기법을 통합한 문맥 적응형 일시정지 탐지 프레임워크를 제안한다. 교육적 타당성을 높이기 위해, 문장 경계를 전문 통역 전문가가 주석한 문장 경계 구획 모델을 사용하여 설정함으로써 문장 내부(intra-sentential) 일시정지에 초점을 맞추었다. 제안한 모델은 전문 통역 전문가가 주석한 정답 라벨(ground-truth labels)과의 비교를 통해 평가되었다. 연구 결과, 슬라이딩 윈도 기반의 문맥 이상탐지 모델은 특히 재현율과 Cohen’s kappa 측면에서 기존의 정적 기준 모델보다 유의미하게 우수함을 보여주었다. 또한 가중 F3-score와 ‘Recognition-over-Recall’ 원칙을 적용함으로써, 본 모델이 새로 주석을 생성하는 데서 부담을 전환하여 보다 효율적인 수정적 가지치기(corrective pruning)로 업무를 수행하게 함으로써 교수자의 총 운영 부담을 실질적으로 감소시킨다는 점을 확인하였다. 이러한 결과는 음성에 적응하는 모델링이 자동 통역 평가 및 피드백을 위한 보다 신뢰할 수 있고 노동 절감적인 프레임워크를 제공함을 시사한다. 구체적으로 본 연구는 세 가지 주요 기여를 한다: (1) 이상탐지를 활용한 문맥 적응형 일시정지 탐지 프레임워크의 제안, (2) 발화 속도에 민감한 분석을 위한 슬라이딩 윈도 기반 국소 문맥 모델링의 통합, (3) 통역사 훈련에서 교수자 부담을 줄이기 위한 ‘Recognition-over-Recall’ 원칙에 기반한 평가 전략의 도입.

본 연구는 컴퓨터과학 비전공 초보 학습자를 대상으로, 서로 다른 프로그래밍 패러다임이 학습 경험 및 인지적 어려움과 어떻게 연관되는지 살펴본다. 특정 수업 맥락 안에 배치된 사례연구(case-study) 접근법을 사용하여, 학부 학생 설문 자료와 Stack Overflow의 대규모 공개 질의응답 데이터를 통합함으로써 패러다임 관련 난이도 양상을 탐색한다. 네 가지 수업 맥락—C, Java, Python, Prolog—을 명령형, 객체지향, 함수형 스타일, 논리 기반 패러다임의 교육적 구현 사례로서 텍스트 클러스터링, 워드 임베딩(word embedding) 모델, 상호작용 기반 복잡도 지표를 활용하여 고찰하였다. 분석 결과, 패러다임의 맥락에 따라 구별되는 학습 어려움의 양상이 확인되었는데, 여기에는 C 기반 수업에서의 저수준 메모리 관리와 관련된 어려움, 객체지향 맥락에서의 추상화 및 설계 추론, Prolog 기반 수업에서의 추론 중심 추론, 함수형 스타일 프로그래밍 과제에서의 재귀(recursion) 관련 어려움이 포함된다. 설문 응답은 공개 Q&A 데이터에서 관찰된 양상과 전반적으로 일관된 경향을 보이며, 학습자 중심 교육 분석을 위한 보완적 자료원으로 대규모 커뮤니티 생성 콘텐츠의 활용을 뒷받침한다. 이러한 یافته를 바탕으로 본 연구는 비교 가능한 교육 환경 내에서 비전공 학습자를 대상으로 한 프로그래밍 교육에 대해 패러다임을 고려한 수업 시사점을 논의한다. 본 결과는 차별화된 교수 접근법에 대한 경험적 근거를 제공함과 동시에, 교육과정 중심의 교수 및 적응형 학습 시스템에 관한 향후 연구에 관련된 증거 기반 통찰을 제공한다.

피부암의 조기 및 정확한 탐지는 사망률을 감소시키고 환자 예후를 개선할 수 있으나, 이를 위해서는 고도화된 진단이 필요하다. 의료 분야에 인공지능(AI)을 통합함으로써 피부암을 정밀하고 적시에 탐지할 수 있다. 그러나 시각적으로 유사한 피부 질환을 구별하기 어렵다는 점과 다양하고 대표성 있는 데이터셋의 한계 등 여전히 중대한 과제가 남아 있다. 본 연구에서는 피부암의 조기 탐지를 위해 설계된 새로운 딥러닝 프레임워크인 DCAN-Net을 제안하였다. 이 모델은 다양한 피부 패턴을 포착하도록 최적화된 효율적인 백본(backbone) 아키텍처를 활용하며, 면밀하게 조정된 파라미터를 통해 분별 능력을 향상시키고, 수정된 어텐션(attention) 모듈을 사용하여 추출된 특징을 정교화함으로써 배경 잡음을 최소화하면서 관련 전경(foreground) 정보를 우선시한다. 또한 설명가능한 AI 기법인 Grad-CAM을 적용하여 피부경(dermatoscopic) 이미지 내에서 가장 두드러진 특징을 강조하였다. 결합된 최적 특징 표현은 피부경 이미지 분석을 크게 향상시켰다. HAM10000 데이터셋에서 평가한 결과, DCAN-Net은 정밀도, 재현율, F1-score, 정확도에서 각각 97.00%, 97.57%, 97.10%, 97.57%를 달성하였다. 더 나아가 고급 데이터 증강 기법의 적용은 데이터 불균형 문제를 완화하고, 원본 데이터셋과 증강 데이터셋 전반에서 위양성 및 위음성 비율을 감소시켰다. 이러한 결과는 임상적 결과를 개선하고 AI 기반 피부암 진단의 발전에 기여할 수 있는 DCAN-Net의 잠재력을 보여준다.

전 세계적으로 유방암(BC)은 여성의 주요 사망 원인으로 간주된다. 이에 따라 연구자들은 X-ray, MRI 및 유방촬영(mammography) 이미지 양식을 이용하여 조기적이고 정확한 검출을 위해 다양한 기계학습 및 딥러닝 기반 방법을 활용해 왔다. 그러나 기계학습 모델은 최적의 특성을 선택하기 위해 도메인 전문가가 필요하며, 제한된 정확도를 보이고, 수작업 기반 특징 추출로 인해 높은 오탐(false positive)률을 나타낸다. 딥러닝 모델은 이러한 한계를 극복하지만, 대량의 학습 데이터와 연산 자원을 필요로 하며, 모델 성능의 추가 향상이 요구된다. 이를 위해 본 연구에서는 유방암 영상 내 감염된 영역을 자동으로 분류하는 새로운 프레임워크인 Ensemble-based Channel and Spatial Attention Network (ECS-A-Net)을 제안한다. 제안된 프레임워크는 두 단계로 구성된다. 첫 번째 단계에서는 입력 데이터의 크기를 향상시키기 위해 서로 다른 증강(augmentation) 기법을 적용한다. 두 번째 단계에서는 특징 추출을 위한 백본(backbone)으로 수정된 SE-ResNet50과 InceptionV3를 병렬적으로 활용하는 앙상블 기법을 포함하며, 이어서 보다 지배적인 특징 선정을 위해 Channel Attention(CA)과 Spatial Attention(SA) 모듈을 연속적인 방식으로 적용한다. ECS-A-Net의 타당성을 추가로 검증하기 위해, 제안 모델이 DDSM 데이터셋에서 96.50%의 정확도, MIAS 데이터셋에서 95.33%의 정확도를 달성한 것으로 나타난 두 개의 벤치마크(DDSM 및 MIAS)를 대상으로 여러 경쟁적인 최첨단(SOTA) 기법 간에 광범위한 실험을 수행하였다. 또한 실험 결과는 정확도, 민감도(sensitivity), 특이도(specificity) 등 다양한 평가 지표에서 우리의 네트워크가 다른 방법들보다 더 나은 성능을 달성함을 보여주었다.

피부암, 특히 흑색종은 심각한 건강 위협으로, 효과적인 치료를 위해서는 조기 발견이 필수적이다. 본 연구는 VGG16, Inception-V3, ResNet-50의 세 가지 고도 딥러닝 모델의 역량을 활용하는 피부 병변 분류 시스템을 제안한다. 이들 모델을 앙상블로 통합함으로써 각 모델의 개별적 강점을 활용하여 분류 정확도와 견고성을 향상시킨다. 앙상블의 모든 모델은 ImageNet에서 사전 학습을 수행한 뒤, 후속으로 피부경(dermoscopic) 이미지로 미세조정을 거쳐 각기 독특한 기여를 제공한다. 우리는 ISIC 2018 데이터셋을 사용하여 이 앙상블 접근법을 평가하였는데, 이는 피부 병변 분류의 표준 벤치마크이다. 세 모델의 예측을 가중 평균 방식으로 결합한 결과, 우리의 앙상블 모델은 더 우수한 성능을 보였다. 그 결과는 분류 정확도의 향상을 보여주며, 단일 모델 대비 원본 데이터셋에서는 91%의 정확도를, 과샘플링으로 균형을 맞춘 데이터셋에서는 97%의 정확도를 달성하였다. 이후 본 시스템을 HAM10000 데이터셋으로 평가하였다. HAM10000 데이터셋에서의 결과 또한 분류 정확도의 향상을 나타내며, 단일 모델 대비 원본 데이터셋에서는 90%의 정확도를, 과샘플링으로 균형을 맞춘 데이터셋에서는 96%의 정확도를 달성하였다. 이러한 향상된 성능은 피부 병변의 다양한 특징을 포착하는 데 있어 우리의 앙상블 방법이 효과적임을 시사하며, 보다 정확한 진단으로 이어질 수 있다. 본 연구 결과는 이러한 접근법이 피부암의 조기 및 정밀한 발견에 있어 피부과 전문의에게 크게 도움을 줄 수 있으며, 잠재적으로 환자 예후를 개선할 수 있음을 보여준다.

통역 훈련에서 자동 품질 평가(AQA)의 핵심 구성요소는 부자연스러운 일시정지를 탐지하는 것이며, 일시정지 패턴은 통역사의 인지 부하와 유창성을 직접적으로 반영한다. 전통적인 일시정지 탐지 방법은 (예: 1.0초)와 같은 정적 시간 임계값에 의존하는데, 이는 문장 구간별 발화 속도 변동성과 개인별 말하기 스타일을 충분히 반영하지 못하는 경우가 많다. 본 연구는 Isolation Forest(iForest)를 이용한 비지도 이상 탐지와 슬라이딩 윈도우 기법을 통합한 맥락 적응형 일시정지 탐지 프레임워크를 제안한다. 교육적 타당성을 높이기 위해, 특수 분할(segmentation) 모델을 사용하여 문장 경계를 구획함으로써 문장 내부(intra-sentential) 일시정지에 초점을 맞추었다. 제안된 모델은 전문 통역 전문가가 주석한 정답(ground-truth) 라벨과 비교하여 평가하였다. 그 결과, 슬라이딩 윈도우 기반의 맥락 이상 탐지 모델은 기존의 정적 기준 모델에 비해 특히 재현율과 Cohen’s kappa 측면에서 유의하게 우수함을 보여주었다. 또한 가중 F3-score와 "Recognition-over-Recall" 원칙을 적용함으로써, 본 모델은 새로 주석을 생성하는 작업에서 교정적 가지치기(corrective pruning)로 업무를 전환하여 강사의 총 운영 부담을 실질적으로 감소시킨다는 점을 확인하였다. 이러한 결과는 음성에 적응하는 모델링이 자동 통역 평가 및 피드백을 위한 보다 신뢰할 수 있고 노동 절감적인 프레임워크를 제공함을 시사한다.

후성유전체 조절, 특히 DNA 메틸화는 유전자 발현 조절에서 핵심적인 역할을 하며, 질병 진단, 위험 예측, 종단적 건강 모니터링을 위한 중요한 바이오마커의 원천으로 부상해 왔다. 고처리량 시퀀싱 기술의 확대로 후성유전체 연구가 빠르게 성장하면서, 방대하고 복잡한 형태의 생의학 문헌이 축적되었다. 본 검토는 후성유전체 바이오마커 발견과 관련된 구조적 패턴 및 연구 동향을 규명하기 위한 AI 기반의 문헌 수준 분석을 제시한다. PubMed와 PubMed Central에서 수집한 방대한 전문(全文) 코퍼스를 활용하여 키워드 빈도 분석, 문서 수준 동시출현 분석, 토픽 클러스터링, 문맥 일치도(concordance) 분석, 시간적 추세 분석을 포함한 텍스트 마이닝 기법을 적용하였다. 개별 실험을 평가하기보다는, 이 접근법은 반복적으로 나타나는 개념적 구조와 방법론적 패턴을 식별하기 위해 더 넓은 연구 지형을 살핀다. 분석 결과, 후성유전체 바이오마커 연구는 질병 중심의 후성유전체학, 크로마틴 조절 연구, 전사체 통합(transcriptomic integration) 연구, 암 관련 후성유전체 조사 등 여러 상호 연결된 영역들로 조직되어 있음을 확인하였다. 또한 2010년 이후 출판물의 빠른 증가는 고처리량 후성유전체 프로파일링과 바이오마커 기반 연구의 중요성이 증대되고 있음을 반영한다. 이러한 결과는 AI 기반 문헌 마이닝이 후성유전체 바이오마커 지식을 발굴하고 이를 AI 기반 건강 모니터링 시스템으로 전환하는 데 있어 확장 가능한(framework) 체계를 제공함을 보여준다. 이와 같은 접근법은 정밀 건강(precision health) 환경에서 바이오마커 우선순위 설정, 조기 질병 발견, 그리고 데이터 기반 건강 모니터링을 지원할 수 있다.

피부암 검출의 발전은 공간 주의(spatial attention) 기반 전이 학습과 오토인코더-디코더 융합 기법의 통합을 통해 크게 이익을 얻었다. 전이 학습은 모델이 대규모의 일반 데이터셋에서 사전 학습된 지식을 활용할 수 있게 하며, 이는 피부경(dermoscopic) 이미지에서 특정 피부암 양상을 인식하도록 미세 조정된다. 이로써 대규모의 주석이 달린 데이터셋에 대한 의존도가 줄어들고 모델 성능이 향상된다. 이후, 공간 주의 메커니즘을 통합하여 피부 병변의 가장자리와 비정형성 등 진단에 중요한 영역에 모델이 집중할 수 있도록 하며, 이는 진단 정확도를 높인다. 또한 오토인코더-디코더 모델은 효율적인 이미지 분할을 지원하여 병변 경계가 정확하게 식별되고 재구성되도록 한다. 이러한 접근법을 결합함으로써 제안된 시스템은 크고 작은 병변 중에서도 작고 미묘한 병변을 처리하고, 이미지 품질이 다양하게 나타나는 문제 등 핵심 과제를 해결하며, 궁극적으로 더 정확하고 견고한 피부암 검출 시스템으로 이어진다. 본 통합 프레임워크는 임상 진단 및 실시간 응용을 개선할 가능성이 크다.

피부 병변의 정확한 분할은 조기 피부암의 발견과 치료에 있어 매우 중요하다. 본 연구는 피부 병변 분할을 개선하기 위해 DeepLabv3 및 U-Net 아키텍처에 공간 주의(spatial attention) 메커니즘을 결합한 새로운 접근법을 제안한다. ISIC 데이터셋을 사용한 본 연구는 이러한 모델에 주의 메커니즘을 통합할 경우 성능이 유의하게 향상됨을 보여준다. DeepLabV3는 조밀한 공간 정보를 포함하는 atrous spatial pyramid pooling(ASPP)을 통해 다중 스케일의 문맥 정보를 포착하는 반면, U-Net은 인코더-디코더 구조를 통해 세부적인 디테일을 효과적으로 포착한다. 공간 주의 메커니즘은 모델이 가장 관련성 높은 이미지 영역에 동적으로 집중할 수 있게 함으로써 정확도와 견고성을 향상시킨다. 모델은 회전, 스케일링, color jittering과 같은 데이터 증강 기법을 사용하여 다양한 ISIC 데이터셋에서 학습되며, 병변 외관의 변동성과 제한된 데이터 크기를 처리하도록 설계되었다. 화소 단위 정확도와 경계 정밀도를 균형 있게 조절하는 복합 손실 함수가 학습 과정을 안내한다. 실험 결과, 주의가 강화된 DeepLabV3 및 U-Net 모델은 기준 모델에 비해 더 높은 정확도와 Intersection over Union(IoU) 점수를 달성하여 더 우수한 성능을 보였다. 본 연구는 피부 병변 분할을 위한 주의가 강화된 DeepLabV3 및 U-Net 모델의 잠재력을 강조하며, 조기 피부암 발견과 치료에 있어 피부과 전문의에게 유용한 도구가 될 수 있음을 시사한다. 제안된 모델은 분할 정확도를 향상시키는 동시에 임상 적용을 위한 확장 가능한 솔루션을 제공한다.