공초점 현미경 이미지 분석은 신생물 진단에 유용한 방법이다. 많은 애매한 사례는 육안으로 구별하기 어려우므로 관찰자 간 변이(inter-observer variability)가 높고, 이 방법을 학습하는 데 상당한 시간이 소요된다. 본 연구의 목적은 10× 배율의 결장 조직 공초점 현미경 이미지를 세 가지 범주(신생물, 염증, 정상 조직)로 분류하는 딥러닝 기반 신생물 분류 모델을 개발하는 것이다. 제한된 학습 데이터로 효율적으로 모델을 학습하기 위해 데이터 증강(data augmentation)과 전이 학습(transfer learning) 접근법을 적용한 ResNet50을 사용하였다. 또한 분류에 주요한 영향을 준 영역이 무엇인지를 확인하기 위해 전역 평균 풀링(global average pooling)을 사용하여 클래스 활성화 맵(class activation map)을 생성하였다. 제안된 방법은 81%의 정확도를 달성하였으며, 이는 세 가지 기계 학습 기반 방법보다 14.05% 더 높았고, 네 명의 내시경 전문의가 내린 예측보다 22.6% 더 우수하였다. 데이터 증강과 전이 학습을 적용한 ResNet50은 공초점 현미경 이미지에서 신생물, 염증, 정상 조직을 효과적으로 식별하는 데 활용될 수 있다. 제안된 방법은 세 가지 기계 학습 기반 방법보다 성능이 우수하였고, 결과에 주요한 영향을 미친 영역을 확인하였다. 제안된 모델을 진단을 위한 공초점 현미경 이미지 분석에 함께 사용하면 관찰자 간 변이와 학습에 필요한 시간을 줄일 수 있다.

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