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.

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