피부경피(dermoscopic) 이미지로부터의 정확하고 신뢰할 수 있는 피부암 검출은 큰 시각적 변이, 병변의 외관이 겹치는 현상, 그리고 내재된 임상적 불확실성으로 인해 여전히 어렵다. 이러한 문제를 해결하기 위해 본 연구는 설명가능성과 불확실성 인식(uncertainty-aware)을 갖춘 피부 병변 분류를 위한 형태학적(morphology-guided) 주의(attention) 기반 프레임워크를 제안한다. 이 시스템은 임상적으로 의미 있는 형태학적 구조를 보존하기 위해 병변 분할을 통합한 뒤, 진단적으로 관련된 영역에 주의를 집중하면서 배경 인공물(artifact)을 억제하는 주의 기반 분류 네트워크를 적용한다. 시각적 주의 및 귀속(attribution) 맵을 생성하여 확립된 피부경피 기준(dermoscopic criteria)에 부합하는 투명한 설명을 제공한다. 또한 예측의 신뢰도를 정량화하고 애매하거나 분포 밖(out-of-distribution) 사례를 식별하여 안전한 임상적 분류(triage)를 돕기 위해 불확실성 추정 모듈을 추가로 포함한다. 제안된 접근법은 공개된 피부경피 데이터셋에서 평가되었으며, 악성 병변에 대해 재현율(recall rate) 99% 이상을 달성하면서 분류 정확도 99.12%를 나타내 조기 암 검출에 대한 높은 민감도를 입증하였다. 실험 결과, 형태학적 주의는 기존의 일반적인 딥러닝 모델에 비해 분류 성능과 해석가능성을 모두 향상시키는 것으로 나타났다. 더 나아가 불확실성 인식 예측은 어려운 사례에서 과도하게 확신하는 오류를 줄임으로써 모델의 신뢰성을 향상시킨다. 이러한 결과는 제안된 프레임워크가 실제 환경에서 이루어지는 자동화된 피부암 선별을 위한 견고하고 설명가능하며 임상적으로 관련성 있는 해결책을 제공함을 시사한다.

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