콜라겐 VI 결함 근이영양증 자동 진단을 위한 합성곱 신경망

본 논문은 콜라겐 VI 결함에 의해 발생하는 근이영양증(베셀럼형, 울리히형 등)의 진단을 자동화하기 위한 컴퓨터 지원 진단(CAD) 시스템을 제안한다. 서론에서는 콜라겐 VI 구조 결함이 근육 및 결합 조직에 미치는 병리학적 영향을 설명하고, 현재 진단이 현미경 이미지의 정성적 분석에 의존하고 있어 객관적이고 정량적인 평가가 부족함을 지적한다. 특히 희귀 질환 특성상 라벨링된 데이터가 극히 제한적이므로, 기존의 머신러닝 기반 접근법이 적용되기 어렵다는 문제점을 제시한다. 관련 연구 파트에서는 전통적인 특징 추출 기법(가우시안 필터뱅크, PCA, LBP, GLCM 등)과 다양한 분류기(나이브 베이즈, SVM, 랜덤 포레스트)들을 검토하고, 최근 의료 영상 분야에서 CNN이 뛰어난 성능을 보이고 있음에도 불구하고, 데이터 부족이 큰 제약이 된다는 점을 강조한다. CNN에 대한 기본 개념을 정리한 뒤, 제안 시스템의 전체 흐름을 네 개의 모듈로 나눈다. 첫 번째 모듈은 입력된 전체 현미경 이미지를 64 × 64 픽셀 크기의 비중첩 패치로 분할한다. 두 번째 모듈은 앞서 설명한 3개의 컨볼루션 레이어와 2개의 풀링 레이어, 그리고 2개의 완전 연결 레이어로 구성된 CNN 모델에 각 패치를 입력해 독립적인 확률값을 산출한다. 세 번째 모듈은 모든 패치에 대한 예측을 집계해 다수결 투표 방식으로 전체 이미지의 최종 클래스를 결정한다. 마지막 모듈은 각 패치의 ‘제어군일 확률’을 색상으로 시각화하고, 전체 이미지에 대한 점수(제어군 패치 비율)를 제공함으로써 치료 효과를 추적할 수 있는 정량적 지표를 만든다. CNN 아키텍처는 표 1과 그림 5에 상세히 제시된다. 첫 번째 컨볼루션 레이어는 128개의 3 × 3 커널을 사용해 64 × 64 크기의 특징 맵을 생성하고, 이후 2 × 2 맥스 풀링으로 32 × 32로 축소한다. 두 번째와 세 번째 컨볼루션 레이어는 각각 64, 32개의 필터를 적용해 점진적으로 추상화 수준을 높이며, 각 단계마다 맥스 풀링을 통해 해상도를 절반씩 감소시킨다. 마지막으로 150개의 뉴런을 가진 완전 연결 레이어와 2개의 출력 뉴런을 가진 레이어가 이어지며, 출력 레이어는 시그모이드 함수를 통해 이진 확률값을 반환한다. 드롭아웃(0.5)과 ReLU 활성화 함수를 사용해 과적합을 방지하고 비선형성을 확보한다. 데이터 수집 파트에서는 전방위 근육에서 채취한 섬유아세포 배양액을 이용해 콜라겐 VI를 면역형광법으로 표지하고, DAPI로 핵을 염색한 후 Leica TCS SP8 X 현미경으로 20× 배율 이미지를 촬영한 과정을 설명한다. 전체 데이터셋은 환자군(베셀럼형·울리히형)과 연령‑매칭 대조군으로 구성되며, 실제 이미지 수는 수십 장에 불과하다. 이를 보완하기 위해 패치 기반 데이터 증강 기법을 적용했으며, 회전, 수평·수직 뒤집기, 밝기·대조도 변형 등을 통해 학습용 샘플을 수백 배로 확대하였다. 실험에서는 80 %를 학습용, 10 %를 검증용, 나머지 10 %를 테스트용으로 분리했으며, 에포크마다 검증 정확도를 모니터링해 최적 모델을 선택하였다. 결과적으로 제안 시스템은 전체 이미지 수준에서 95 % 이상의 정확도와 0.93 이상의 AUC를 기록했으며, 특히 울리히형과 베셀럼형을 구분하는 데 있어 기존 전문가의 주관적 평가보다 높은 재현율을 보였다. 시각화 모듈을 통해 의심 부위가 빨간색으로 강조되어, 임상의가 빠르게 병변 부위를 확인하고 치료 전후 변화를 정량적으로 추적할 수 있었다. 논의에서는 데이터 부족이 여전히 한계이며, 더 다양한 환자군과 다중 기관 데이터를 확보하면 모델의 일반화 능력이 향상될 것이라고 제언한다. 또한, 현재는 2‑클래스(제어 vs 환자) 구분에 초점을 맞추었지만, 향후에는 질병 중증도 단계별 분류나 치료 반응 예측 모델로 확장할 가능성을 제시한다. 마지막으로, 패치 기반 접근과 시각화가 임상 워크플로에 쉽게 통합될 수 있어, 희귀 근이영양증뿐 아니라 다른 희귀 조직병변 진단에도 적용 가능함을 강조한다.