피부 병변 분류를 위한 설명 가능한 프라이버시 보호 멀티모달 앙상블 프레임워크

Summary

제안된 연구는 딥러닝 기능, 임상 메타데이터, 설명 가능한 AI 기법을 통합하여 진단 정확도, 투명성 및 신뢰할 수 있는 임상 의사결정 지원을 개선하여 조기 피부암 발견을 위한 진단 정확도, 투명성 및 신뢰할 수 있는 임상 의사 지원을 향상시키는 설명 가능하고 개인정보 보호를 위한 다중 모달 앙상블 패브릭 배열을 개발하고 평가하는 것을 목표로 합니다.

Abstract

피부과 질환 중에서 피부암은 가장 생명을 위협하는 질환 중 하나입니다. 조기 및 정확한 진단은 환자의 예후를 개선하는 데 중요합니다. 그럼에도 불구하고 전통적인 AI 기반 진단 방법은 개인정보 보호 문제, 해석 가능성 제한, 다중 클래스 피부 병변 데이터셋에서의 심각한 클래스 불균형 등 여러 도전에 직면해 있습니다. 이러한 도전을 극복하기 위해, 제안된 논문은 복잡한 딥러닝 모델과 앙상블 모델링 접근법, 설명 가능한 인공지능 기법을 결합한 프라이버시 인식 및 설명 가능한 다중 모달 피부 병변 분류 모델을 제안합니다. 실험적 평가는 Kaggle Hub를 통해 접근할 수 있는 다분류 피부병변 분류에 관한 공개 HAM10000 벤치마크 데이터를 사용하여 수행되며, 이는 7개의 임상적으로 중요한 병변 분류군(akiec, bcc, bkl, df, mel, nv, vasc)에 분산되어 있습니다. 데이터 균형을 맞추기 위해 소수 계층을 강화하기 위해 계급 균형 기법이 사용됩니다. EfficientNet B4, DenseNet201, MobileNetv2는 깊은 특징 표현을 추출하는 데 사용되며, 이후 주요 임상 메타데이터와 결합하여 견고한 다중 모달 특징 공간을 생성합니다. 이 멀티모달 특징들은 XGBoost, LightGBM, 딥 뉴럴 분류기(DNC)를 훈련시키는 데 사용되었으며, 각각 92%, 90%, 94%의 분류 정확도를 달성했습니다. XGBoost, LightGBM, Deep Neural Classifier(DNC)의 출력을 결합하기 위해 스택 앙상블 전략을 적용하여 정확도가 96% 향상되었습니다. 모델 해석 가능성 기법은 투명성을 높이는 기능 수준의 설명을 제공합니다. 실험 결과는 제안된 프레임워크가 임상적으로 관련 실제 피부 병변 분류에 효율성 측면에서 실용성을 입증했습니다.

Introduction

피부암은 전 세계적으로 중요한 건강 부담을 나타내며, 전 세계적으로 발생률이 증가하고 있습니다^. 인공 방사선은 피부암의 주요 원인으로 인식되며, 유전적 돌연변이를 유발하여 통제되지 않은 세포 증식과 피부세포 내 종양 발생을 초래합니다 ^1,2_. 피부암은 흑색종, 편평세포암, 기저세포암(BCC) 등 여러 질병을 포함합니다. 이 질환들의 원인, 임상 증상, 예후 요인은 모두^{다릅니다.} 피부 질환은 픽셀 수준의 유사성 때문에 의학적 진단에 장애물이^{되었습니다.} 2022년 전 세계적으로 추정되는 흑색종 사례는 331,722건(사망 58,667명), NMSC 환자는 120만 건(사망 69,416명)이었습니다. 흑색종의 연령 표준화 발생률(ASR)의 최고 사망률은 오세아니아(29.78/100,000), 북미(16.3), 유럽(10.43)에서 나타났습니다. 그러나 사망률 대비 발생률 비율은 아프리카(0.35)와 아시아(0.30)에서 가장 높았으며, 북미와 오세아니아(양쪽 모두 0.02)보다 높았으며, 이는 예후가 더 좋지 않음을 반영할 수 있다¹. 피부과에서는 피부 병변의 진단과 모니터링이 주로 시각 검사와 기타 비침습적 평가에 의존해 왔습니다. 침습적 방법은 병변을 손상시키고 병변 성장에 대한 임상 추적 관찰을 방해할 수 있으므로 적용되지 않습니다⁵. 피부 병변은 다양한 유형이 있을 수 있습니다: 흑색종(MEL), 피부섬유종(DF), 각화성 각화증 및 상피 내 암종(AKIEC), 기저세포암(BCC), 양성 각화증(BKL), 흑색세포 모반(NV), 혈관 병변(VASC)으로, HAM10000 데이터셋에 정의되어 있습니다⁵. 피부 촬영 이미지 분류의 주요 과제는 모발, 잉크, 자 자국, 색깔 반점, 반짝임, 방울, 기름 거품, 혈관, 과다 색소 부위 및/또는 염증성 병변의 존재^입니다. 의료 영상 및 피부 병변 분류에 대한 특징 선택과 딥러닝에 관한 연구가 이전에 있었습니다^.

피부암 진단을 위한 컴퓨터 비전 기반 접근법과 수제 및 심층 특징의 통합도 연구^{되었으며, 분류} 성능 향상을 위한 특징 융합 전략도 연구되었습니다¹⁰. 최근 발전은 의료 시스템 내 머신러닝과 안전한 의료 데이터 처리 프레임워크 통합을 더욱 강조^합니다. 첨단 계산 알고리즘을 기반으로 한 AI 의료 활용은 특히 원격 및 가정 간호 환경에서 환자들에게 개인화되고 효율적인 통합 돌봄 프로그램을 제공할 잠재력을 가지고 있습니다¹³. 방대한 피부 촬영 이미지 데이터셋을 활용함으로써, 특히 합성곱 신경망(CNN)을 포함한 딥러닝 모델을 다양한 피부 병변을 정확히 식별하고 분류하도록 훈련할 수 있습니다. 완전합성곱네트워크(FCN), CNN, 딥 CNN(DCNN), 완전합성곱 잔여 네트워크(FCRN), U-Net 아키텍처 등 여러 기법이 피부 병변 분할에서 강력한 효과를 보입니다. 딥 뉴럴 네트워크(DNN)는 매우 복잡한 구조 때문에 쉽게 해석되지 않아 의사결정 과정이 이해하기 어렵습니다^14,15. 최근 의학 영상 분석의 발전은 심층 합성곱 신경망(CNN)이 피부 병변 분류 작업에서 효율성을 크게 향상시킨다는 것을 입증했습니다. HAM10000와 같은 피부경 데이터셋에 대한 여러 연구에서 ResNet, DenseNet, EfficientNet 등 CNN 기반 아키텍처가 병변 이미지로부터 계층적 특징 표현을 학습하여 강력한 다중 클래스 분류 성능을 달성함을 보여주었습니다. 여러 개의 CNN 백본을 결합하는 하이브리드 특징 융합 접근법은 상보적인 딥 표현을 통합하여 진단 정확도를 더욱 향상시켰습니다¹⁶. 또한, 현재 연구들은 의료 영상 분석에서 하이브리드 CNN 트랜스포머 모델을 조사하고 있습니다. 시각 변환기와 CNN 특징 추출기를 가진 모델은 국소 질감 내용과 전역 맥락 관계를 더 잘 추출할 수 있어 피부 병변 분류 작업에서 더 나은 결과를 보임이 입증^{되었습니다.} 이러한 하이브리드 설계는 균형 잡힌 표현 학습 능력을 갖추고 있어 의료 영상 분야에서도 최첨단 기술로 평가받고 있습니다.

의학의 다른 분야에서는 특징 융합 전략이 피부과 외 분야에서도 광범위하게 사용되어 왔습니다. CNN 기반 하이브리드 시스템은 조직병리학적 이미지 분석에도 적용되어 폐암과 대장암의 분류를 개선하기 위해 특징 표현과 공간 학습 역학을 강화했습니다¹⁶. 마찬가지로 안과에서는 융합된 특징 표현을 기반으로 훈련된 딥러닝 모델의 사용이 당뇨병 망막병증 안저 이미지 단계에 성공적으로 적용되었으며, 다중 클래스 등급 작업에서 더 견고하고 분류 정확도가 향상되었습니다¹⁸. 이들 분야의 다중 모달 융합 방법은 특히 불균형한 의료 데이터에서 이질적인 특징 표현이 더 나은 일반화와 분류를 가능하게 함을 시사한다¹⁹.

이러한 개선이 이루어졌음에도 불구하고, 현재의 관행은 보통 다중 모드에 국한되어 통합되지 않으며, 계급 불균형 문제를 해결하기에 부족하고, 임상 의사결정에 도움이 되지 않습니다. 이러한 문제를 극복하기 위해, 본 논문은 프라이버시를 고려하고 두 모델 해석 가능성을 통합한 설명 가능한 피부 병변 분류 모델을 제시합니다. 이러한 설명 가능성 방법은 모델의 예측을 설명하고, 어떤 특징이 가장 중요한지 보여주며, 피부 영상의 중요한 영역을 강조하고, 임상 절차의 명확성과 신뢰를 높여 임상 투명성을 높이고, 신뢰를 구축하며, 임상 실무에서 AI 시스템의 안전한 구현을 지원하는 데 활용될 수 있습니다. HAM10000 데이터셋에는 상당한 불균형이 존재하며, 일부 클래스는 다른 클래스보다 훨씬 적은 표본을 가지고 있습니다. 이 문제를 극복하기 위해 합성 소수 과잉 샘플링 기법(클래스 밸런싱이라고도 함)이 저대표 클래스의 합성 샘플을 생성하는 데 사용됩니다. 클래스 밸런싱 기법은 데이터셋의 균형을 맞추어 모델이 소수 병변 유형에서 더 잘 학습할 수 있게 하고, 민감도를 높이며, 임상적으로 중요하지만 덜 드문 피부암 그룹을 보다 신뢰할 수 있게 예측할 수 있게 합니다.  EfficientNet-B4, DenseNet201, MobileNetV2의 심층 기능이 임상 메타데이터와 결합되어 모든 피부 병변에 대한 보다 유익한 표현을 형성합니다. 이 이중 기능은 피부 경시 이미지와 기타 환자 정보의 시각적 패턴을 추출하여 보다 심층적인 분석을 가능하게 합니다. 이후 XGBoost, LightGBM, 딥 신경망 등 다양한 분류기에서 특징을 학습시켜 피부 병변 분류 모델의 능력과 성능을 향상시킵니다. 모델들의 앙상블은 스태킹 앙상블 기법과 함께 사용되어 모델을 더욱 돋보이게 합니다. 이 모델은 여러 모델의 강점을 활용해 앙상블 내 모든 모델의 예측에서 학습하고 이익을 얻으면서도 그 한계를 완화하는 복합 모델입니다.

Protocol

이 연구는 공개된 완전 익명화된 피부 시경 데이터셋을 사용했으며, 직접적인 인간 참여는 포함하지 않았습니다; 따라서 윤리위원회의 승인은 필요하지 않았습니다. 재료표 에는 이 연구에 사용된 모든 재료 또는 도구에 대한 세부 정보가 포함되어 있습니다. 표 1에는 프로세서 유형, 메모리, 운영체제, 소프트웨어 프레임워크 등 하드웨어 및 소프트웨어 환경의 세부 정보가 포함되어 있습니다. 표 2에는 각 피부 병변 범주별 분류별 정밀도, 회상력, F1 점수 및 지지 범위에 대한 세부 정보가 포함되어 있습니다.

제안된 다중 모달 피부 병변 분류 프레임워크의 전반적인 워크플로우

이 연구의 일반적인 계획은 피부 병변의 다중 분류를 정확하고 이해하기 쉬운 체계로 만드는 것입니다. 워크플로우는 HAM10000 데이터셋의 데이터 수집과 전처리로 시작해, 딥러닝 아키텍처를 이용한 특징 추출과 임상 메타데이터 포함으로 이어집니다. 그 후 여러 기계 학습 분류기를 훈련 및 최적화한 후, 그 결과가 앙상블 전략으로 집계됩니다. 마지막으로, 모델의 예측은 설명 가능성 기법을 사용하여 해석되며, 실제 임상 의사결정 지원에 활용될 수 있도록 모델의 효과를 평가합니다.

제안된 시스템의 예측 정확도를 높이기 위해 이미지 기반 특징과 임상 메타데이터를 결합한 다중 모달 머신러닝 파이프라인이 사용됩니다( 그림 1에 나타난 참조). 이 모델은 피부경 이미지의 시각적 결과와 환자 관련 정보를 합산하여 다양한 피부 병변과 관련된 보다 세밀한 패턴을 식별할 수 있습니다. 이러한 조합을 통해 시스템은 궁극적으로 더 나은 예측을 할 수 있습니다. 피부 병변 분류의 질과 유용성을 향상시킵니다. 신경망(EfficientNet-B4, DenseNet201, MobileNetV2)의 도움으로 세 가지 사전 학습된 합성곱 딥 특징이 추출되며, 이들은 다양한 상호 보완적인 피부 영상 패턴을 캡처할 수 있습니다. 이 아키텍처는 피부 병변의 색상과 질감 변화, 그리고 구성 방식 등 고수준 패턴을 학습합니다. 그 다음, 특징 융합 모듈이 심한 특징과 임상 특징 및 인구통계학적 데이터를 결합하여 풍부한 다중 모달 특징을 만듭니다. 병합된 데이터는 적절한 모델 테스트를 위해 훈련, 검증, 테스트 데이터로 분리됩니다. 다음으로, 특징 융합 모듈을 사용하여 심층 특징과 임상 특징 및 인구통계학적 특성을 결합하여 풍부한 다중 모달 특징을 생성합니다. 이 데이터는 훈련, 테스트, 검증 데이터로 나뉘어 모델을 테스트합니다. 예측 정확도를 더욱 높이기 위해 앙상블 전략이 사용됩니다. 이는 여러 모델의 결과를 평균화하여 평균된 확률을 사용해 일반화를 강화하고 개별 모델로 인해 발생할 분산을 최소화함으로써 최종 예측을 도출하는 방식으로 이루어집니다. 이와 더불어, 모델 해석 가능성 기법과 같은 설명 가능성 방법도 통합되어 모델이 어떻게 결정을 내리는지 더 자세히 설명합니다. 모델 해석 가능성 방법은 입력 변수의 기여도를 정량화하여 특징 수준 해석을 제공하는 반면, 모델 해석 가능성 방법은 예측에 영향을 미치는 픽셀 수준의 피부 영상 내 중요한 영역을 식별합니다. 모델 해석 가능성 기법은 각 입력 변수의 기여도를 정량화하여 특징 수준의 설명을 제공하며, 모델 해석 가능성 기법은 피부 영상 내 픽셀 수준에서 예측에 영향을 미치는 중요한 영역을 강조합니다. 이 기법들이 결합되면 모델을 더 해석하기 쉽게 만들고, 임상의들이 시스템이 의사결정을 내리는 방식을 배우는 데 도움을 줍니다. 그 결과, 제안된 파이프라인은 이해하기 쉽고 개인정보 보호를 중시하는 시스템을 제공하여 투명성과 신뢰를 높이고, 실제 의료 환경에서 더 신뢰할 수 있는 피부암 진단을 가능하게 합니다.

데이터셋 설명과 준비

본 논문에서는 HAM10000(10,000장 훈련 이미지가 있는 인간 대 기계) 데이터셋을 다중 클래스 피부 병변 분류의 주요 데이터셋으로 사용한다. 이 데이터셋에는 다양한 의료 출처에서 수집된 10,000개 이상의 피부 검사 도표가 포함되어 있습니다. 임상 출처와 인구 집단을 포함하여, 피부과 영상 분석에서 가장 널리 사용되는 벤치마크 데이터셋 중 하나입니다. 데이터셋 내 각 이미지에는 이미지 식별자, 진단 라벨, 환자의 나이, 성별, 병변의 해부학적 위치 등 중요한 임상 메타데이터가 함께 제공됩니다. 데이터셋은 일곱 가지 진단 범주를 포함합니다: 각각성각화증(AKEC), 기저세포암(BCC), 양성 각화증(BKL), 피부섬유종(DF), 흑색구성 모반(NV), 혈관 병변(VASC), 흑색종(MEL).

임상 메타데이터 전처리

분류 파이프라인에 추가된 보조 기능으로는 나이, 성별, 병변의 환자 내 위치 등 임상 메타데이터가 포함되었습니다. 누락되거나 알려지지 않은 값들이 있었으며, 이는 결정론적 전처리 방식을 통해 처리되었습니다. 연령 변수(수치)의 경우, 학습 집합에서 계산된 중앙값 나이를 사용해 누락된 값을 보석했습니다. 중앙값 인피전이 선택된 이유는 임상 데이터에서 흔한 이상치와 왜곡된 데이터에 저항하기 때문입니다. 성별과 병변 위치(범주 변수)에 대해서는 누락되거나 불명시된 값은 제외하지 않았으며; 이들은 '미상'이라는 특별 카테고리에 배정되었습니다. 이 방법은 모든 사용 가능한 표본을 유지하며, 모델이 누락 자체가 예측 가능한지 여부를 자유롭게 판단할 수 있습니다. 그 후 원핫 인코딩이 범주 변수에 적용되어 머신러닝 모델과 호환되도록 했습니다. 치소, 인코딩 등 모든 전처리는 훈련 세트에서만 수행되었고, 데이터 손실을 방지하기 위해 검증 세트와 실험 세트에도 동일한 변환이 적용되었습니다. 임상 메타데이터가 누락되었다는 이유만으로 샘플이 제외되지 않았으며, 이는 데이터를 최대한 활용하고 방법론적 일관성을 유지할 수 있었습니다.

그림 1: 피부 병변 분류를 위한 다중 모달 시스템. 이 연구 접근법은 피부 영상 특징과 환자 메타데이터를 결합하여 앙상블 딥러닝 모델을 사용해 피부 병변을 분류합니다. 이 프레임워크에는 전처리, 특징 추출, 다중 모달 융합, 분류가 포함되어 진단 성능과 해석 가능성을 향상시킵니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

워크플로우는 피부 병변 데이터셋의 피부 영상과 임상 메타데이터를 바탕으로 제안된 분류 파이프라인HAM10000 보여줍니다. EfficientNet-B4, DenseNet201, MobileNetV2는 이미지에서 깊은 특징을 전처리하고 추출하는 데 사용됩니다. 임상 메타데이터는 코딩되며, 특징 융합을 통해 이미지 특징과 임상 메타데이터를 결합합니다. 클래스 불균형 문제를 해결하기 위해, 합성 샘플이 시각적 특징과 임상 특징의 결합을 유지하고 비현실적인 샘플을 생성하지 않는 원시 이미지나 개별 특징 스트림 대신 융합된 다중 모달 특징 공간에서 클래스 밸런싱 기법이 사용됩니다. 병합된 특징들은 XGBoost, LightGBM, 심층 신경 분류기와 같은 분류기에서 학습됩니다.

그림 2: HAM10000 데이터셋에서 7개의 서로 다른 진단 그룹의 피부경 이미지 예시. 이미지는 자동 분류에 사용되는 전형적인 시각적 특징을 보여줍니다. (A) 액티닉 각화제(akiec), 거친 표면과 불규칙한 색소 침착을 보입니다. (B) 기저세포암(bcc), 불규칙한 형태와 혈관을 가진 질환. (C) 양성 각각증 유사 병변(bkl), 연한 갈색 표면의 각막화 특징을 보입니다. (D) 피부섬유낭성 (df), 중심 흉터 모양과 색소 침착을 지닙니다. (E) 흑색 세포 모반(nv), 양성 및 비교적 대칭적인 점. (F) 혈관 병변(vasc), 혈관으로 인해 붉은 보라색 형태를 띤다. (G) 불규칙한 형태의 비대칭 다색소 병변으로 나타나는 흑색종(mel)입니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 피부 영상들은 피부 병변의 시각적 이질성을 드러내며, 색소 침착, 질감, 구조 형태에 차이가 있음을 보여줍니다. 이러한 변형은 자동화된 분류 시스템에 큰 도전을 제기하며, 딥러닝 기반 시스템의 중요성을 강조합니다. 미묘한 진단 패턴을 드러내는 데 민감한 특징 추출 기법. 데이터셋 설명 다음, 그림 2 는 HAM10000 데이터셋에 포함된 7가지 피부 병변 범주를 보여주며, 이는 피부과 진단 영상 연구에서 일반적으로 연구됩니다. 이 분류에는 각성각화증(akiec), 기저세포암(bcc), 양성 각화증(bkl), 피부섬유종(df), 흑색시종 모반(nv), 혈관 병변(vasc), 흑색종(melanoma)²¹이 포함됩니다. 이 모든 유형의 병변은 그림 3에서 볼 수 있듯이 색소 패턴, 표면 질감, 색상 분포, 병변 경계의 이상성 등 독특한 시각적 특징을 가지고 있습니다. 이 모든 병변의 시각적 특징은 다르며, 색소 침착 패턴, 표면 질감, 색상 분포, 병변 경계의 이상이 특징입니다. 이러한 특성들은 피부과 전문의가 임상 검사를 수행할 때 염두에 두는 중요한 특성들이며, 올바른 분류를 얻기 위해서는 머신러닝 모델로 잘 모델링되어야 합니다. 이러한 특징들이 구별의 특징임에도 불구하고, 많은 병변들이 거의 동일해 보이기 때문에 피부경 영상만으로는 구분하기 어렵습니다. 특정 유형의 병변 간 구분은 보통 매우 미묘하지만 임상적으로 중요하여 자동으로 분류하기 어렵습니다. 이 때문에 병변 클래스 간 미세한 병변 차이와 세밀한 시각 이미지를 학습할 수 있는 강력한 AI 모델을 만드는 것이 시급합니다. 이러한 특성들은 적절한 설명을 통해 모델의 다양한 병변 유형에 대한 구별 능력이 향상될 뿐만 아니라, 흑색종과 같은 위험한 상태를 조기에 진단하는 데도 도움이 됩니다. 마지막으로, 진단 정확도를 높이고, 임상의가 환자 결과를 개선하는 결정을 내리는 데 도움을 주며, 더 나은 결정을 내리는 데 도움을 줄 수 있습니다.

그림 3: HAM10000 데이터셋에서 피부 병변의 분류별 분포. 그림은 이 연구에서 고려한 7가지 병변 범주의 분포를 보여줍니다: 각각성 각화증(akiec), 기저세포암(bc), 양성 각화증 유사 병변(bkl), 피부섬유종(df), 흑색시성 모반(nv), 혈관 병변(vasc), 흑색종(melanoma). 이 그래프는 병변 분류의 불균형을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

데이터셋 분석 결과, 다양한 병변 유형 간에 불균형이 존재함을 보여줍니다. 가장 흔한 멜라닌세포 모반(nv)은 약 6,705개의 샘플이 있으며, 그 다음으로 흑색종(1,113개)과 양성 각화증(1,099개)가 뒤를 잇습니다. 반대로, 임상적으로 중요한 병변 중 일부는 피부섬유종(115)과 혈관 병변(142)처럼 현저히 덜 대표됩니다. 이러한 불균형은 기계 학습 모델에 위협이 되는데, 이는 다수 클래스에 편향될 수 있고 비정상적이지만 임상적으로 중요한 병변을 감지할 잠재력이 없기 때문입니다. 이 문제를 해결하고 모든 클래스에 대한 모델 성능에 대한 모델 훈련을 개선하기 위해서는 고급 전처리가 필요합니다. 전략이 필요합니다. 여기에는 타겟 데이터 증강과 클래스 밸런싱과 같은 기법이 포함됩니다. 데이터는 이 기법(클래스 밸런싱 기법과 클래스 가중치 조정)을 사용하여 균형을 맞출 수 있으며, 이는 모델이 저대표 계층에서 상당한 추세를 발견하도록 유도합니다. XGBoost와 LightGBM에 사용된 하이퍼파라미터는 주로 기본 설정으로 설정되었으며, 예비 실험에 따라 약간의 조정이 이루어졌습니다. 딥 신경 분류기의 경우, 층 수, 뉴런, 학습률, 배치 크기, 에포크 수 등 아키텍처 및 훈련 매개변수가 검증 데이터를 통해 경험적으로 선택되었습니다. 전체 하이퍼파라미터 집합은 표 3에 제공되어 있습니다. 일반적으로 본 연구에서 사용된 피부경 이미지의 총 수는 10,015장입니다. 이 방법은 방대한 데이터 집합을 제공하여 학습하고 테스트할 수 있다는 장점이 있으며, 지루하지만 보람 있는 척도이기도 합니다. 제안된 피부 병변 분류 시스템의 효과를 평가합니다.

데이터 전처리

전처리 파이프라인은 이미지 표준화, 심층 특징 추출, 임상 메타데이터 통합, 클래스 불균형 해소를 통해 HAM10000 데이터셋을 다중 모달 학습에 준비시킵니다.

이미지 표준화: 모든 피부경 이미지는 224 × 224 픽셀로 크기 조정되고 z-점수 정규화를 사용해 정규화되었습니다.

(1)

여기서 원시 이미지를 나타내는 μ는 픽셀 단위 평균을, σ는 표준편차입니다.

딥 피처 추출: 보완적인 딥 피처는 Efficient-Net B4, DenseNet201, MobileNetV2와 함께 세 가지 사전 학습된 컨볼루션 신경망을 사용하여 추출되었습니다. 각 네트워크는 정규화된 이미지를 특징 벡터에 매핑합니다.

(2)

추출된 특징들은 통합된 표현을 형성하기 위해 연결되었습니다:

F_Fusion=F_EffB4 ||F_밀도 ||F_MobV2 (3)

(여기서 ||는 연속을 의미합니다)

임상 메타데이터 통합: 나이, 성별, 병변 위치 지정 등 임상 속성이 정제, 라벨 인코딩, 최소-최대 스케일링으로 정규화되었습니다:

(4)

처리된 메타데이터 벡터 M_clinical 은 이미지 특징과 융합되어 최종 다중 모달 입력을 구성했습니다:

F_결합=F_융합M_임상 (5)

데이터셋 분할: 클래스 분포를 보존하기 위해 층별 분할을 적용했습니다

D_열차, D_테스트=분할(_{F comibed}, 0.8) (6)

클래스 불균형 처리: HAM10000 데이터 세트에는 심각한 클래스 불균형이 나타나며, DF와 VASC처럼 다른 소수자 그룹에서 '네버스'(NV) 샘플이 우세합니다. 이 문제를 줄이기 위해 "합성 소수 과잉 샘플링 기법"(클래스 밸런싱 기법)이 사용되었습니다. 사용: 다음과 같은 새로운 합성 샘플이 생산되었습니다:

x_{새 입력}=x_i + λ(x_zi - x_i) (7)

여기서 x_i 는 소수 클래스 표본이고, x_zi 는 가장 근접한 이웃 중 하나이며, λ는 0과 1 사이의 균등 분포에서 무작위로 샘플링된 값이다. 그림 4에 보이는 합성 샘플은 x sub i를 연결하는 선분을 따라 생성됩니다.그리고 Xent가 X_I 와_{X zi}를 합친다.

그림 4: 클래스 밸런싱 기법을 적용하기 전후의 HAM10000 데이터셋 내 클래스 분포. (A) 클래스 밸런싱 전, 병변 클래스 간 불균형. (B) 분류기 훈련 과정에서 편향을 피하기 위해 모든 클래스의 표현이 같아지는 결합 특징 공간에서 클래스 밸런싱 후. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

HAM10000 데이터셋 내 클래스 불균형 문제를 해결하기 위해 합성 소수자 과잉표본 기법(클래스 밸런싱 기법)이 적용되었습니다. 클래스 밸런싱 기법은 기존 데이터 포인트 간 보간을 통해 소수 그룹의 합성 샘플을 생성하여 과소대표된 병변 범주의 대표성을 높이는 데 도움을 줍니다. 이 소수 집단의 예시를 더 많이 만들면서 7가지 병변 유형 모두에 대해 전반적으로 더 균형 잡힌 데이터셋이 만들어졌습니다. 이러한 균형 잡힌 표현은 분류 모델이 각 클래스별로 더 잘 학습하고 다수 클래스의 편향을 최소화할 수 있게 합니다. 따라서 이 모델은 분류가 더 공정하고 특히 희귀하지만 임상적으로 중요한 피부 병변에 민감합니다.

프라이버시 보호 학습 프레임워크

제안된 시스템은 프라이버시를 인식하고 해석 가능한 다중 모달 자동 병변 분류 시스템을 제안합니다. 이 시스템의 궁극적인 목표는 진단 성능을 향상시키는 동시에 교육 과정 전반에 걸쳐 민감한 환자 정보를 보호하는 것입니다. 의료 현장에서 환자 프라이버시는 필수적인 필요이며, 의료 데이터 프라이버시 법률과 윤리적 고려사항이 의료 환경에서 매우 중요합니다. 따라서 제안된 모델에는 연합 학습 아이디어에 기반한 분산형 학습 모델이 포함될 것입니다. 이 분산 환경에서는 모든 환자 데이터를 중앙 집중식 장소에 집계하는 대신 분산된 클라이언트 그룹에서 모델 학습이 이루어집니다. 참여하는 모든 클라이언트는 자신의 데이터를 기반으로 모델을 로컬에서 학습시키며, 원시 환자 데이터는 로컬 환경을 벗어나지 않습니다. 민감한 의료 기록을 이동하는 대신 모델 업데이트나 매개변수가 중앙 서버로 전송되어 집계됩니다. 이러한 협력적 학습 접근법은 다양한 기관이나 데이터 출처가 데이터 프라이버시를 해치지 않으면서 모델 교육에 기여할 수 있게 합니다.

w_t^(k)를 t번째 반복에서 k번째 클라이언트의 모델 매개변수_{, n을} 해당 클라이언트에서의 표본 크기라고 하자. 글로벌 모델의 업데이트는 다음과 같이 계산됩니다:

(8)

이 집계 전략은 더 큰 데이터셋을 가진 클라이언트가 글로벌 모델에 비례적으로 더 많이 기여하면서도 소규모 클라이언트가 학습 과정에 참여할 수 있도록 보장합니다. 원시 환자 데이터를 교환하지 않고도 협력 교육을 가능하게 함으로써, 제안된 프레임워크는 프라이버시를 유지하면서도 데이터셋 전반에 걸쳐 분산된 지식의 혜택을 누릴 수 있습니다.

연합 실험 설정

HAM10000 데이터셋을 활용한 시뮬레이션 연합 학습 시스템이 제공된 프라이버시 인식 프레임워크의 효율성을 확인하기 위해 설계되었습니다. 데이터는 세 개의 클라이언트로 나뉘어 실제 다기관 환경을 시뮬레이션했으며, 비동일 분산(비-IID) 데이터를 사용했습니다. 모든 내담자는 다양한 병변 유형을 가지고 있으며, 이는 임상 센터마다 차이가 있음을 의미합니다. 동일한 다중 모달 특징 추출 파이프라인(EfficientNet-B4, DenseNet201, MobileNet V2, 임상 메타데이터)이 모든 클라이언트에서 로컬에서 실행되었습니다. 학습 과정에서 클라이언트는 스스로 로컬 모델을 업데이트했고, 학습된 매개변수는 FedAvg 알고리즘이 집계할 중앙 서버와만 교환했습니다. 예측 정확도와 프라이버시 간의 절충관계는 연합 모델과 중앙집중식 훈련 접근법 간의 성과를 측정하기 위해 비교되었습니다. 그림 5 에 표시된 테스트 결과는 연합 모델이 중앙집중식 학습에 비해 정확도가 약간 떨어지는 정도만 경쟁력을 갖추고 데이터 프라이버시가 크게 개선됨을 보여줍니다.

그림 5: HAM10000 데이터셋의 클라이언트별 분포. 이는 환자들 간 피부 병변 데이터 배분을 보여주어 데이터 분포의 다양성을 보여줍니다. 이는 연합 학습의 중요한 측면인 클라이언트 간 데이터의 이질성을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

HAM10000에서 형성된 내담자의 이질적(비IID) 분포를 세 그룹으로 나누어 실제 임상 상태를 모델링하였습니다. 각 클라이언트 내 다양한 병변 범주의 분포가 다르며, 특히 모반(nv) 종류가 고르게 분포하지 않습니다. 이러한 체계는 기관 내 데이터가 고르게 분포되지 않는 연합 학습의 현실적 어려움을 보여줍니다.

성과 비교: 중앙집중식 학습 vs 연합형 학습

제안된 연합학습 프레임워크의 효과를 평가하기 위해, HAM10000 데이터셋을 사용하여 중앙집중식 훈련 전략과 연합형 학습 전략 간의 비교 분석이 수행되었으며, 이는 그림 6에 나타난 것입니다. 중앙집중식 환경에서는 모든 데이터 샘플이 하나의 훈련 풀에 집계되었습니다. 가장 우수한 중앙 집중식 모델인 스택드 앙상블은 전체 정확도 96%를 달성했습니다. 반면, 연합 설정은 데이터셋을 세 클라이언트에 분산시키고, 각 클라이언트는 모델을 로컬에서 학습하고 FedAvg를 사용해 모델 매개변수만 공유하는 비동일 분산(비IID) 데이터를 사용했습니다. 연합 모델은 전체 정확도 약 94%를 달성했으며, 이는 표 4에 나타난 중앙집중식 접근법과 비교해 2%의 성능 차이에 해당합니다. 이러한 미미한 감소는 분산 최적화와 고객 간 데이터 분산 때문에 예상됩니다.

이 작은 변화가 있었음에도 불구하고, 연방 모델은 여전히 예측에 성공했습니다. 중앙집중식 훈련에서 클래스별 행동을 보면, nevus(nv)(F1 점수 = 1.00)와 같은 대다수 클래스는 안정적이며, 소수 클래스인 피부섬유낭(df)(F1 점수 ≈ 0.65–0.66)은 분포 불균형에 더 민감하여 연합 성과에 더 큰 영향을 미칠 수 있습니다. 특히, 연합 구조는 고객 간 원시 의료 데이터를 공유할 필요가 없기 때문에 민감한 환자 정보가 노출될 가능성을 최소화합니다.

그림 6: 연합학습 대 중앙집중식 학습 비교. 이 그림은 정확도, 정밀도, 회상력, F1 점수와 같은 성과 지표를 사용하여 학습 패러다임을 비교합니다. 이는 연합 학습이 전통적인 학습 접근법과 비교할 수 있는 성능을 달성하면서도 프라이버시를 유지할 수 있음을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

표 4 결과는 연합 학습 모델이 경쟁력이 있음을 보여주며, 중앙집중식 모델에 비해 정확도 감소는 약 2% 정도에 불과합니다. 이 약간의 감소는 분산된 최적화와 비IID 데이터 분포로 설명할 수 있습니다. 하지만 연합 모델은 민감한 환자 정보가 고객 간에 공유되지 않아 개인정보 보호 측면에서 엄청난 장점을 가지고 있습니다. 연합 모델과 중앙 집중식 스택 앙상블 모델을 공정하게 비교하기 위해, 연합 모델도 동일한 아키텍처와 하이퍼파라미터로 테스트되었습니다. 이 연구에서 논의하는 개인정보 보호 측면은 개념적이며, 향후 연구에 연합 학습과 같은 기법의 잠재적 통합을 강조하기 위한 것입니다. 현재 구현에서는 프라이버시 보호 메커니즘에 대한 실험적 검증이 이루어지지 않았습니다.

다중 모달 특징 융합

피부 병변 진단에는 보통 피부 관찰과 임상 병력 조사가 포함됩니다. 대부분의 경우 피부과 전문의는 진단 판단을 위해 피부경 영상을 환자의 정보(나이, 성별, 위치 등)와 비교하여 고려하지 않습니다. 제안된 시스템은 이 임상 워크플로우에서 영감을 받아 이미지 기반 데이터와 임상 데이터를 결합하는 다중 모달 학습 방식을 통합합니다. CNN은 기존의 피부경 영상 심부 특징을 기반으로 훈련됩니다. 이러한 네트워크는 색상 변화, 병변 형태, 구조적 이상 현상, 질감 특징 등 복잡한 시각적 디자인을 인식합니다. 그럼에도 불구하고, 영상의 특징만으로는 병변의 임상 상태를 포착하기에 충분하지 않을 수 있습니다. 따라서 모든 이미지와 관련된 임상 메타데이터도 학습에 포함된다. 심부 영상 특징과 처리된 임상 속성 및 인구통계학적 정보를 통합하는 기능 융합 모듈이 만들어질 예정입니다. 이 복합 표현은 모든 병변의 시각적 및 맥락적 정보를 모두 포함하는 통합 다중 모달 특징 표현을 구성합니다. 이 모델은 여러 데이터 소스를 통합하여 보완적인 패턴을 얻어 전체 분류 능력을 향상시킬 수 있습니다. 다중 모달 표현은 시각적으로 유사한 병변을 보다 효과적으로 구분하고 임상 지표를 고려할 수 있게 합니다. 이 모델은 임상 실무에서 피부과 의사들이 병변을 연구하는 방식을 더 가깝게 근사하기 때문에 임상적으로 더 의미 있고 효과적입니다.

스택드 앙상블 학습
제안된 프레임워크는 시스템의 예측 능력을 더욱 향상시키기 위해 스택드 앙상블 학습 전략을 사용합니다. 앙상블 학습은 두 개 이상의 예측 모델을 사용하여 일반화를 강화하고 단일 모델에서 발생할 수 있는 예측 오차를 최소화하는 복합적 예측 방법입니다. 다중 기초 학습자는 단일 분류기를 사용하지 않고 멀티모달 특징 표현에 대해 독립적으로 훈련됩니다. 모든 기본 학습자는 특정 샘플이 특정 병변 클래스에 속할 가능성이 얼마나 되는지에 대한 추정치를 제공합니다. 이러한 확률 예측은 메타 수준에서 집계됩니다. 각 기본 학습자에 가중치가 할당되어 최종 예측에 대한 상대적 중요성을 나타냅니다. 소프트맥스 활성화 함수를 사용하여 집계된 출력을 계산하여 정규화된 클래스 확률을 생성합니다. 스택드 앙상블 방식은 여러 가지 장점이 있습니다. 첫째, 여러 모델의 조합으로 인한 예측 분산을 최소화하여 일반화 성능을 향상시킵니다. 둘째, 다양한 모델이 데이터의 다양한 추세를 설명하기 때문에 강도를 높입니다. 셋째, 앙상블 학습은 특히 임상 관심 질환이 널리 퍼지지 않는 의료 데이터에서 소수자 병변 분류를 향상시킵니다.

설명 가능한 인공지능 통합

의료 AI 시스템은 높은 예측 정확도가 중요하지만, 선택에 대해 명확한 설명을 제공해야 합니다. AI 시스템에 신뢰를 두고 효과적으로 진료를 수행하려면, 임상의는 모델이 진단에 어떻게 부합하는지 이해할 수 있어야 합니다. 이 요구를 충족하기 위해 제안된 프레임워크는 그림 7에 나타난 설명 가능한 인공지능(XAI) 방법을 통합합니다.

그림 7: 다중 클래스 피부 병변 분류를 위한 서로 다른 분류 모델의 혼동 행렬. (A) XGBoost, (B) LightGBM, (C) 심층 신경 분류기, (D) 스택드 앙상블 모델. 각 혼동 행렬은 AKEC, BCC, BKL, DF, mel, NV, VASC 등 7가지 피부 병변 유형에 대한 실제 분류(행)와 예측 분류(열) 간의 관계를 보여준다. XGBoost와 LightGBM 모델은 nv와 bkl 클래스에서 잘 작동하지만, mel과 nv 사이에 혼동이 있습니다. 딥 뉴럴 분류기는 bkl과 df의 분류를 개선하고 대각선 외 혼동을 줄입니다. 스택드 앙상블 모델은 가장 높은 분류 일관성을 보이며, 대각선이 점점 더 우세해지고 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 시스템은 모델이 예측하는 바를 통찰할 수 있도록 두 가지 인기 있는 설명 가능성 접근법(모델 해석 가능성 기법(SHapley Additive Explanations)과 모델 해석 가능성 기법(Local Interpretable Model-Ignistic Explanations))을 포함하고 있습니다. 모델 해석 가능성 방법은 각 입력 특징이 전체 예측에 얼마나 기여했는지를 측정하여 특징 수준에서 특징을 설명합니다. 이 검사는 분류 결과에 가장 큰 영향을 미치는 임상 변수/시각적 특성이 무엇인지 판단하는 데 도움을 줍니다. 이를 통해 연구자와 임상의는 데이터셋 전반에 걸쳐 모델의 전반적인 동작을 확인할 수 있습니다. 반면 모델 해석 가능성 기법은 개별 예측에 대한 국소적 설명을 다룹니다. 이 방법은 모델의 결정에 가장 큰 영향을 미치는 피부경 이미지 영역을 강조합니다. 이러한 픽셀 단위의 시각적 설명은 임상의가 분류에 영향을 준 병변 부위를 시각적으로 검사할 수 있게 합니다. 제안된 프레임워크는 전 세계적·지역적 해석 가능성을 제공하며; 이는 모델 해석 가능성 기법을 통합함으로써 달성됩니다. 이중 설명 메커니즘은 투명성을 높이고 임상의가 모델이 의학적으로 중요한 패턴을 겨냥하고 있는지 평가할 수 있게 합니다.

임상 의사결정 지원 잠재력

프라이버시 보호 학습, 다중 모달 특징 융합, 앙상블 모델링, 설명 가능한 AI는 자동 피부 병변 분류를 위한 통합적이고 견고한 시스템의 핵심 요소입니다. 이상적으로는 시스템이 높은 예후력을 가질 뿐만 아니라, 투명성과 보안성도 가져야 하며, 이는 그림 8에 나타난 의료 시스템의 두 가지 핵심 요소입니다.

그림 8: 스택드 앙상블 모델의 수신자 운영 특성(ROC) 곡선. (A–C) 이 곡선은 7가지 피부 병변 유형에 대한 ROC 곡선을 보여주며, 진양성률(민감도)과 위양성률(1-특이도)을 나타냅니다. 곡선 아래 면적(AUC)은 스택드 앙상블 모델이 클래스를 구별하는 성능을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 시스템은 설명 가능한 예측과 개인정보 보호를 제공합니다. 그 결과, 다른 피부과 진단 시스템에 유익한 시스템이 되었습니다. 이 시스템은 의료진/피부과 전문의가 병변 의심 여부를 평가하고 진단 정확도를 높일 수 있게 해주며, 그 결과 환자가 더 심각한 질병(예: 흑색종)일 수 있는 초기 단계에서 진단할 수 있도록 돕습니다. 본질적으로, 그림 9에서 볼 수 있듯이 이 시스템은 첨단 인공지능(AI) 시스템을 활용하고 실제 적용을 구현하는 기술을 실천에 적용하여, 피부과 의사들이 환자를 보다 정확하고 자신감 있게 진단할 수 있도록 돕고, 환자의 프라이버시와 안전, 그리고 편안함을 보장하고자 합니다.

그림 9: 다중 클래스 피부 병변 분류를 위한 모델 해석 가능성 기법을 사용한 설명 가능성 결과. (A) 양성 및 악성 병변 예측에 영향을 미치는 특징 기여도를 보여주는 SHAP 플롯. (B) BCC 예측에 대한 LIME 설명, 분류 결과에 긍정적·부정적으로 기여하는 특징들을 보여줍니다. (C) 아키에크 예측에 대한 LIME 설명, 모델 의사결정 과정에서 가장 영향력 있는 특징을 강조합니다. 이러한 해석 가능성 시각화는 모델 예측에 중요한 영향을 미치는 영역과 추출된 특징을 보여주어 피부 병변 평가에서 분류 과정의 투명성과 이해를 향상시킵니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

평가 전략

표본 편향을 피하고 모든 피부 병변 범주에 걸친 원래의 분류 분포를 유지하기 위해, 데이터셋은 80:20 열차-검사 분할로 나뉘었습니다. 훈련 부분집합은 90:10 train: validate 비율로 분할되어 하이퍼파라미터를 조정하고 모델을 최적화했습니다. 테스트 세트는 교육 과정 어느 단계에서도 사용되지 않았으며, 데이터 유출을 방지하고 공정한 성과 평가를 보장하기 위해 교육 과정 종료 시점에만 최종 테스트로 적용되었습니다. 모든 모델은 동등한 환경에서 사전 처리와 훈련을 받았으며, 데이터는 동일한 방식으로 분할 및 보강되었고, 평가 프로토콜도 동일한 방식으로 적용되고 준수되어 공정하고 재현 가능한 비교가 가능했습니다. 모델들은 정확성, 정밀도, 회상력, F1 점수, AUC 등을 기반으로 철저히 평가되었으며, 주요 및 소수 병변 클래스 모두에 대한 강건성을 판단하기 위해 클래스별 결과를 상세히 분석하였습니다. 이 표준화된 검증 도구는 제안된 접근법의 신뢰성, 투명성, 일반화성을 높이고, 성과 보고의 잠재적 불일치를 극복하는 데 도움을 줄 것입니다.

Results

다분류 피부 병변 분류를 위해 XGBoost, LightGBM, 심층신경분류기, 스택 앙상블 모델의 네 가지 분류 방법이 평가되었습니다. 모델들은 각각 92%, 90%, 94%, 96%의 전체 정확도를 달성하여 c

클래스별 성적

각 병변 범주별로 정밀도, 기억력, F1 점수를 포함한 상세한 분류별 평가가 제공됩니다. akiec 클래스(지지율 = 65)에서는 스택 앙상블이 0.72의 정밀도, 0.73의 회상율, 0.72의 F1 점수를 달성했으며, 이는 XGBoost(F1 = 0.70), LightGBM(F1 = 0.68), 딥 신경 분류기(F1 = 0.71)보다 약간 향상되었습니다. bcc(지지 = 103)의 경우, 스택 앙상블은 정밀도 = 0.87, 회상 = 0.84, F1 점수 = 0.85를 얻었으며, 이는 ...

Discussion

현재 프로토콜은 피부 병변을 자동으로 분류하기 위한 해석 가능하고 개인정보 보호에 민감한 다중 모달 프레임워크를 만드는 재현 가능한 파이프라인을 제시합니다. 프로토콜은 모델 투명성을 통해 진단 성능을 체계적으로 향상시키는 패턴을 따르며, 피부경 영상 분석과 임상 메타데이터 및 해석 가능한 머신러닝 기법을 결합합니다. HAM10000 피부 병변 데이터셋은 공개되어 있으며, 표준화된 평가를 가능하게 하고 피부과^{영상 연구 분야의} 추가 연구의 재현성을 촉진합니다. 이미지 전처리 및 정규화 단계는 프로토콜에서 가장 중요한 단계 중 하나로, 특징 추출과 모델 학습 전에 피부경 이미지가 표준화되도록 보장합니다. 피부 촬영 이미지에서 발생할 수 있는 아티팩트로는 조명 불균형, 머리카락 가림, 배경 소음 등이 있어 모델의 성능에 영향을 줄 수 있습니다. 이미지를 고정된 해상도로 재조정하고 정규화하면 이러한 차이를 줄일 수 있으며, 모델은 임상...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
DenseNet201 CNN 아키텍처	IBM	https://arxiv.org/abs/1608.06993	이미지 분류용 딥러닝 모델
EfficientNet-B4 CNN 아키텍처	Google	https://arxiv.org/abs/1905.11946	이미지 분류용 딥러닝 모델
Google Colaboratory 플랫폼	Google	https://colab.research.google.com	클라우드 기반 컴퓨팅 환경
HAM10000 피부 병변 데이터세트	Harvard Dataverse	https://doi.org/10.7910/DVN/DBW86T	피부과 영상 데이터세트
Keras 딥러닝 API	Google	버전 2.x	신경망 API
LIME 설명 가능성 라이브러리	LIME 프로젝트	버전 0.x	모델 해석 기술
MobileNetV2 CNN 아키텍처	Google	https://arxiv.org/abs/1801.04381	이미지 분류용 딥러닝 모델
Matplotlib 시각화 라이브러리	Matplotlib 개발팀	버전 3.x	플롯 및 성능 시각화 생성에 사용
NVIDIA GPU	NVIDIA	RTX 시리즈	모델 학습을 위한 컴퓨팅 하드웨어
NumPy 수치 연산 라이브러리	NumPy 개발자	버전 1.x	데이터 분석 소프트웨어
OpenCV 이미지 처리 라이브러리	OpenCV 재단	버전 4.x	이미지 처리 라이브러리
Pandas 데이터 분석 라이브러리	Pandas 개발팀	버전 1.x	데이터 분석 소프트웨어
Python 프로그래밍 환경	Python 소프트웨어 재단	버전 3.9+	데이터 분석 소프트웨어
SHAP 설명 가능성 라이브러리	SHAP 프로젝트	버전 0.x	모델 해석 기술
SMOTE 오버샘플링 기법	imbalanced-learn 프로젝트	버전 0.x	불균형 데이터셋 처리를 위한 클래스 균형 기법
Scikit-learn 머신러닝 라이브러리	scikit-learn 프로젝트	버전 1.x	머신러닝 라이브러리
TensorFlow 딥러닝 프레임워크	Google	버전 2.x	딥러닝 프레임워크