배경: 현재의 문헌은 딥러닝 네트워크를 이용한 다중 클래스 상처 분류 과제에서 비교적 낮은 정확도를 보인다고 시사한다. 상처 관리 전문 의료진의 상처 관련 진단 부담이 증가하고 있는 상황에 대응할 수 있는 해결책이 필요하며, 더불어 상처 관리에 비전문가인 의료진의 상처 관리에도 도움을 줄 필요가 있다. 목적: 상처 관리 전문 의료진은 물론, 향후에는 환자 및 상처 관리 비전문가까지도 상처를 관리하는 데 도움을 주기 위한 신뢰할 수 있고 정확한 9-class 분류 체계를 개발하고자 한다. 방법: 총 8173개의 훈련 데이터 이미지와 904개의 테스트 데이터 이미지를 9개 범주(수술 상처, 열상, 찰과상, 피부 결손, 감염된 상처, 괴사, 당뇨병성 족부 궤양, 만성 궤양, 상처 이개)로 분류하였다. VGG16, VGG19, EfficientNet-B0, EfficientNet-B5, RepVGG-A0, RepVGG-B0에 기반한 6개의 딥러닝 네트워크를 동일한 이미지로 구축하고 학습한 후 시험하였다. 각 네트워크에 대해 정확도율(정답 양성 및 정답 음성 값의 합을 전체 개수로 나눈 값으로 정의)을 분석하였다. 결과: 전체 정확도는 74.0%에서 82.4%까지 다양하였다. 모든 네트워크 중 VGG19가 82.4%로 가장 높은 정확도를 보였다. 이 결과는 선행 연구에서 보고된 결과와 비교 가능하다. 결론: 본 연구의 결과는 VGG19가 보다 포괄적이고 상세한 AI 기반 상처 진단 체계의 기반이 될 가능성을 시사한다. 궁극적으로 이러한 체계는 환자 및 상처 관리 비전문가가 상처를 진단하고 치료하는 데에도 도움을 줄 수 있다.

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