의료 질병 진단에서 인공지능을 활용하는 일은 정확하고 신속하며 신뢰할 수 있는 결과를 제공한다는 점에서 최근 들어 크게 증가하고 있다. 조직 구조가 복잡하고 다양하기 때문에 조직병리 영상(histopathology images)을 이용한 결장암 진단은 의료 영상 처리 분야에서 지속적인 과제로 남아 있다. 신속한 진단과 효율적인 치료 계획 수립을 위해서는 정밀한 분류가 필수적이다. 본 연구는 이러한 문제를 해결하기 위해 정교한 딥러닝 알고리즘을 활용한 혁신적인 방법을 제시한다. 분류 효율을 향상시키기 위해 DenseNet169 및 GoogleNet(InceptionV3) 등 고도화된 모델들을 조합하여 사용하였다. 다양한 모델의 장점을 결합하는 앙상블 방법은 Colorectal Cancer Histology MNIST 데이터셋에서 주목할 만한 정확도 88.56%를 달성하였다. DenseNet의 조밀 연결(dense connectivity)은 특징 추출을 강화하였고, GoogleNet의 inception 모듈은 다중 스케일 처리(multiscale processing)를 가능하게 하여 모델의 견고성(robustness)을 향상시켰다. 모델 최적화를 강화하기 위해 조기 중단(early halting)과 데이터 증강(data augmentation)을 포함한 고급 방법론을 적용하였다. 본 연구는 암 진단을 변화시키기 위한 의료 영상 분야에서 딥러닝의 상당한 잠재력을 보여준다. 앙상블 방법은 민감도(sensitivity), 특이도(specificity) 및 전체 분류 정확도를 유의미하게 향상시켜 의료 치료의 새로운 시대를 예고한다. AI 기반 솔루션은 자동화를 통해 질병 검출의 정밀도를 향상시켜 환자 예후를 개선하고, 의료와 결과 및 환자 데이터의 기밀성을 변화시킬 수 있다.

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