소아 충수염 초음파 자동 진단을 위한 ResNet 기반 딥러닝 모델

본 논문은 소아 충수염 진단에 있어 초음파 영상의 한계—운영자 의존성, 저대조도, 잡음—를 극복하고자 딥러닝 기반 자동 판별 시스템을 설계·평가하였다. 연구에 사용된 레게스부르크 소아 충수염 데이터셋은 2016년부터 2021년까지 독일 레게스부르크 어린이병원(St. Hedwig)에서 입원한 복통 환자들의 B‑mode 초음파 이미지, 혈액 검사 결과, 임상 점수(Alvarado, PAS) 등을 포함한다. 각 환자는 1~15장의 서로 다른 부위 영상을 제공했으며, 이미지 파일은 BMP 형식으로 저장돼 있었다. 데이터는 환자 단위로 학습·검증·테스트 셋을 분리했으며, 클래스 비율을 맞추기 위해 80%를 훈련, 20%를 테스트에 할당했다. 전처리 단계에서는 모든 이미지를 그레이스케일로 변환하고 224×224 픽셀로 리사이즈한 뒤, 평균 0·표준편차 1로 정규화하였다. 데이터 증강으로는 회전(±10°), 수평 뒤집기, 대비 변동, 가우시안 노이즈 추가 등을 적용해 실제 임상 상황에서 발생할 수 있는 다양한 변이를 모방하였다. 이렇게 전처리된 이미지는 3채널 형태로 복제해 ResNet‑50의 입력 요구사항에 맞추었다. 모델은 ImageNet 사전학습 가중치를 이용한 ResNet‑50을 기반으로 하며, 초기 레이어는 고정하고 후반부 residual block과 전결합 층을 미세조정하였다. 최종 출력은 sigmoid 활성화 함수를 사용해 0~1 사이의 확률값을 제공한다. 학습에는 Adam 옵티마이저(lr=1e‑4), binary cross‑entropy 손실 함수를 사용했으며, 배치 크기 32, 최대 epoch 100, 검증 손실이 5 epoch 연속 개선되지 않을 경우 조기 종료를 적용했다. 과적합 방지를 위해 전결합 층에 dropout 0.3을 삽입하였다. 성능 평가는 정확도, 정밀도, 재현율, F1‑score, AUC 등을 사용했으며, 테스트 셋에서 모델은 정확도 93.44%, 정밀도 91.53%, 재현율 89.80%, F1‑score 90.6%, AUC 0.95를 기록했다. 이는 기존 전통적인 머신러닝(예: GLCM 기반 SVM, Random Forest) 방법이 75‑85% 수준에 머물렀던 것에 비해 현저히 높은 수치이다. 혼동 행렬 분석 결과, 대부분의 FN은 초음파 품질이 낮거나 경계가 모호한 경우에 발생했으며, FP는 림프절 비대나 장벽 비후와 같은 비특이적 소견이 충수염과 유사하게 나타난 경우에 주로 발생했다. 모델의 해석 가능성을 검증하기 위해 Grad‑CAM을 적용했으며, 시각화된 히트맵은 모델이 주로 충수 부위, 주변 지방, 장루프 등에 집중하고 있음을 보여준다. 이는 방사선과 전문의가 실제 판독 시 주목하는 영역과 일치해, 모델의 예측이 임상적 근거를 갖고 있음을 시사한다. 또한, 전이학습을 활용함으로써 비교적 적은 라벨링 데이터로도 높은 일반화 성능을 달성했으며, GPU 기반 워크스테이션에서 몇 시간 내에 학습이 완료돼 실무 적용 가능성을 높였다. 하지만 몇 가지 한계점도 존재한다. 첫째, 데이터가 단일 기관에서만 수집돼 외부 검증이 부족하다. 다기관·다국가 데이터셋을 통한 검증이 필요하다. 둘째, 현재 모델은 개별 이미지를 독립적으로 분류하므로, 환자 수준에서 여러 뷰를 종합하는 로직이 없다. 향후 멀티‑뷰 또는 시계열 정보를 통합하는 네트워크 설계가 요구된다. 셋째, 초음파 장비와 운영자에 따라 이미지 품질이 크게 달라질 수 있어, 실제 임상 현장에서의 견고성을 확보하려면 다양한 장비·환경에서의 추가 테스트가 필요하다. 결론적으로, 이 연구는 사전학습된 ResNet‑50을 전이학습하여 소아 초음파 영상만으로 충수염을 높은 정확도로 자동 판별할 수 있음을 입증했다. 높은 정밀도와 재현율은 임상 현장에서 놓칠 위험이 큰 충수염을 조기에 발견하고, 불필요한 수술을 최소화하는 데 기여할 수 있다. 향후 다기관 데이터와 환자 수준의 종합 판단 모델을 도입한다면, 실제 진료 흐름에 AI 보조 도구를 통합하는 데 한 걸음 더 나아갈 수 있을 것이다.