폐렴 진단의 불확실성을 극복하다: MobileNetV2와 직접 구축 CNN 모델의 성능 비교 분석

본 연구는 MobileNetV2와 직접 구축 CNN 모델을 이용한 폐렴 진단의 정확도와 안정성을 비교 분석했습니다. MobileNetV2는 안정적이나 정확도가 다소 낮았고, 직접 구축 모델은 높은 정확도를 보였으나 과적합 문제가 발생했습니다. 이를 통해 의료 영상 분석에서 딥러닝 모델의 적용 가능성과 한계를 확인했습니다.

서론: 신속하고 정확한 폐렴 진단은 효과적인 치료에 필수적입니다. 하지만 비정형적인 증상, 진단 도구의 한계, 동반 질환 등으로 인해 폐렴 진단에는 불확실성이 존재합니다. 이 연구는 이러한 불확실성을 해소하기 위해 딥러닝 기반 컴퓨터 비전 기술을 활용, CNN(Convolutional Neural Network) 모델을 통해 폐렴 진단의 정확도를 높이는 데 초점을 맞추었습니다.

방법: 이 연구는 사전 훈련된 MobileNetV2 모델과 ResNet101V2 아키텍처를 기반으로 직접 구축한 CNN 모델 두 가지를 비교 분석했습니다. Kaggle에서 얻은 데이터셋을 사용하여 모델을 학습시켰으며, Keras API를 활용하여 모델을 구현했습니다. 각 모델의 성능은 정확도, 검증 손실 등의 지표를 통해 평가했습니다.

결과: MobileNetV2 모델은 안정적인 성능을 보였습니다. 훈련 정확도는 84.87%까지 상승했지만, 검증 손실 증가(0.499 에서 0.6345로 증가)와 함께 78.95%로 다소 감소했습니다. 반면, 직접 구축한 CNN 모델은 초기에는 높은 검증 정확도를 보였으나, 10번째 epoch 이후 과적합 현상이 나타나며 훈련 정확도가 78.12%로 크게 감소하고 검증 손실이 0.5698에서 1.1809로 증가했습니다. 즉, MobileNetV2는 안정성이 뛰어나고, 직접 구축 모델은 높은 정확도를 달성할 가능성을 보였지만 안정성이 부족했습니다.

결론: 이 연구는 MobileNetV2와 직접 구축 CNN 모델을 비교 분석함으로써, 의료 영상 분석 분야에서 딥러닝 모델 적용의 가능성과 한계를 보여주었습니다. MobileNetV2는 안정적인 성능을 제공하지만, 직접 구축 모델은 더 높은 정확도를 달성할 수 있으나 과적합 문제에 대한 해결책이 필요합니다. 향후 연구에서는 과적합 문제 해결 및 더욱 다양한 데이터셋을 활용한 모델 성능 향상 연구가 필요합니다. 특히, MobileNetV2의 안정성과 직접 구축 모델의 높은 정확도를 조합하는 하이브리드 모델 개발이 중요한 과제로 제시됩니다. 이는 모바일 환경에서도 효과적인 폐렴 진단 시스템 구축에 기여할 것입니다.

연구자: Kennard Norbert Sudiardjo, Islam Nur Alam, Wilson Wijaya, Lili Ayu Wulandhari