당뇨망막병증(DR)은 실명의 주요 원인이며, 전 세계 시력 건강에 있어 중요한 과제이다. 비가역적인 안구 손상을 예방하기 위해서는 조기 발견이 필수적이다. 자동화된 의료 영상 분석은 시의적절한 진단을 가능하게 하는 데 중추적인 역할을 한다. 그러나 강건한 진단 모델의 개발은 라벨이 부착된 데이터의 부족과 불균형 및 비라벨 데이터셋의 만연으로 인해 어려움을 겪는다. 준지도 학습은 비라벨 데이터를 활용하여 모델 성능을 향상시키는 잠재적 해결책을 제공한다. 다만 준지도 학습은 흔히 신뢰할 수 없는 의사 라벨링, 낮은 신뢰도의 데이터 배제, 불균형 데이터셋으로부터 유발되는 편향과 같은 문제들로 인해 제한된다. 이러한 한계를 해결하기 위해, 우리는 유사도 학습과 대조 학습을 결합한 DR 검출을 위한 새로운 준지도 학습 프레임워크를 제안한다. 우리의 접근법은 클래스 프로토타입과 분류기 앙상블을 활용하여 비라벨 데이터에 대한 신뢰할 수 있는 의사 라벨을 생성한다. 기존 방법과 달리, 신뢰할 수 없는 샘플을 버리는 대신 대조 학습을 통해 학습 과정에 통합한다. 이를 통해 유용한 특징을 추출하고 전체 성능을 향상시킬 수 있다. 또한 특정 영상에 대한 모델의 예측에 대한 통찰을 제공하는 설명가능한 AI 기법 GradCAM을 도입하여 모델의 투명성과 해석가능성을 향상시킨다. 제안한 방법은 당뇨망막병증 분류를 위한 공개된 Kaggle DR 데이터셋에서 평가하였다. 실험 결과, 우리의 접근법은 기존의 준지도 학습 방법에 비해 향상된 성능을 달성함을 보여주었다. 또한 신뢰할 수 없는 샘플을 효과적으로 활용할 수 있으며, 이는 DR 진단을 발전시키는 데의 잠재력을 시사한다.

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