합성곱 신경망(Convolutional Neural Network)을 활용한 지능형 아토피피부염 중증도 진단 모델 개발 Development of Intelligent Severity of Atopic Dermatitis Diagnosis Model using Convolutional Neural Network원문보기
제4차 산업혁명의 등장과 경제성장으로 인한 '국민 삶의 질 향상' 요구 증대로 인해 의료서비스의 질과 의료비용에 대한 국민들의 요구수준이 향상되고 있으며, 이로 인해 인공지능이 의료현장에 도입되고 있다. 하지만 인공지능이 의료분야에 활용된 사례를 살펴보면 '삶의 질'에 직접적인 영향을 끼치는 만성피부질환에 활용된 사례는 부족한 실정이며, 만성피부질환 중 대표적 질병인 아토피피부염은 정성적 진단 방법으로 인해 진단의 객관성을 확보할 수 없다는 한계가 존재한다. 본 연구에서는 아토피피부염의 객관적 중증도 평가 방법을 마련하여 아토피피부염 환자의 삶의 질을 향상시키고자 다음과 같은 연구를 수행하였다. 첫째, 가톨릭대학교 의과대학 성모병원의 데이터베이스로부터 아토피피부염 환자의 이미지 데이터를 수집했으며, 수집된 이미지 데이터에 대한 정제 및 라벨링 작업을 수행하여 모델 학습과 검증에 적합한 데이터를 확보했다. 둘째, 지능형 아토피피부염 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 파악하기 위해 다양한 CNN 알고리즘들을 병변별 학습용 데이터로 학습시키고, 검증용 데이터를 활용하여 해당 모델의 이미지 인식 정확도를 측정했다. 실증분석 결과 홍반(Erythema)의 경우 'ResNet V1 101', 긁은 정도(Excoriation)의 경우 'ResNet V2 50'이 90% 이상의 정확도를 기록하였으며, 태선화(Lichenification)의 경우 학습용 데이터 부족의 한계로 인해 두 병변보다 낮은 89%의 정확도를 보였다. 해당 결과를 통해 이미지 인식 알고리즘이 단순한 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 분야에도 높은 성능을 나타낸다는 것을 실증적으로 입증했으며, 본 연구는 실제 아토피피부염 환자의 이미지 데이터를 활용했다는 측면에서 실제 임상환경에서 활용성이 높을 것으로 사료된다.
제4차 산업혁명의 등장과 경제성장으로 인한 '국민 삶의 질 향상' 요구 증대로 인해 의료서비스의 질과 의료비용에 대한 국민들의 요구수준이 향상되고 있으며, 이로 인해 인공지능이 의료현장에 도입되고 있다. 하지만 인공지능이 의료분야에 활용된 사례를 살펴보면 '삶의 질'에 직접적인 영향을 끼치는 만성피부질환에 활용된 사례는 부족한 실정이며, 만성피부질환 중 대표적 질병인 아토피피부염은 정성적 진단 방법으로 인해 진단의 객관성을 확보할 수 없다는 한계가 존재한다. 본 연구에서는 아토피피부염의 객관적 중증도 평가 방법을 마련하여 아토피피부염 환자의 삶의 질을 향상시키고자 다음과 같은 연구를 수행하였다. 첫째, 가톨릭대학교 의과대학 성모병원의 데이터베이스로부터 아토피피부염 환자의 이미지 데이터를 수집했으며, 수집된 이미지 데이터에 대한 정제 및 라벨링 작업을 수행하여 모델 학습과 검증에 적합한 데이터를 확보했다. 둘째, 지능형 아토피피부염 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 파악하기 위해 다양한 CNN 알고리즘들을 병변별 학습용 데이터로 학습시키고, 검증용 데이터를 활용하여 해당 모델의 이미지 인식 정확도를 측정했다. 실증분석 결과 홍반(Erythema)의 경우 'ResNet V1 101', 긁은 정도(Excoriation)의 경우 'ResNet V2 50'이 90% 이상의 정확도를 기록하였으며, 태선화(Lichenification)의 경우 학습용 데이터 부족의 한계로 인해 두 병변보다 낮은 89%의 정확도를 보였다. 해당 결과를 통해 이미지 인식 알고리즘이 단순한 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 분야에도 높은 성능을 나타낸다는 것을 실증적으로 입증했으며, 본 연구는 실제 아토피피부염 환자의 이미지 데이터를 활용했다는 측면에서 실제 임상환경에서 활용성이 높을 것으로 사료된다.
With the advent of 'The Forth Industrial Revolution' and the growing demand for quality of life due to economic growth, needs for the quality of medical services are increasing. Artificial intelligence has been introduced in the medical field, but it is rarely used in chronic skin diseases that dire...
With the advent of 'The Forth Industrial Revolution' and the growing demand for quality of life due to economic growth, needs for the quality of medical services are increasing. Artificial intelligence has been introduced in the medical field, but it is rarely used in chronic skin diseases that directly affect the quality of life. Also, atopic dermatitis, a representative disease among chronic skin diseases, has a disadvantage in that it is difficult to make an objective diagnosis of the severity of lesions. The aim of this study is to establish an intelligent severity recognition model of atopic dermatitis for improving the quality of patient's life. For this, the following steps were performed. First, image data of patients with atopic dermatitis were collected from the Catholic University of Korea Seoul Saint Mary's Hospital. Refinement and labeling were performed on the collected image data to obtain training and verification data that suitable for the objective intelligent atopic dermatitis severity recognition model. Second, learning and verification of various CNN algorithms are performed to select an image recognition algorithm that suitable for the objective intelligent atopic dermatitis severity recognition model. Experimental results showed that 'ResNet V1 101' and 'ResNet V2 50' were measured the highest performance with Erythema and Excoriation over 90% accuracy, and 'VGG-NET' was measured 89% accuracy lower than the two lesions due to lack of training data. The proposed methodology demonstrates that the image recognition algorithm has high performance not only in the field of object recognition but also in the medical field requiring expert knowledge. In addition, this study is expected to be highly applicable in the field of atopic dermatitis due to it uses image data of actual atopic dermatitis patients.
With the advent of 'The Forth Industrial Revolution' and the growing demand for quality of life due to economic growth, needs for the quality of medical services are increasing. Artificial intelligence has been introduced in the medical field, but it is rarely used in chronic skin diseases that directly affect the quality of life. Also, atopic dermatitis, a representative disease among chronic skin diseases, has a disadvantage in that it is difficult to make an objective diagnosis of the severity of lesions. The aim of this study is to establish an intelligent severity recognition model of atopic dermatitis for improving the quality of patient's life. For this, the following steps were performed. First, image data of patients with atopic dermatitis were collected from the Catholic University of Korea Seoul Saint Mary's Hospital. Refinement and labeling were performed on the collected image data to obtain training and verification data that suitable for the objective intelligent atopic dermatitis severity recognition model. Second, learning and verification of various CNN algorithms are performed to select an image recognition algorithm that suitable for the objective intelligent atopic dermatitis severity recognition model. Experimental results showed that 'ResNet V1 101' and 'ResNet V2 50' were measured the highest performance with Erythema and Excoriation over 90% accuracy, and 'VGG-NET' was measured 89% accuracy lower than the two lesions due to lack of training data. The proposed methodology demonstrates that the image recognition algorithm has high performance not only in the field of object recognition but also in the medical field requiring expert knowledge. In addition, this study is expected to be highly applicable in the field of atopic dermatitis due to it uses image data of actual atopic dermatitis patients.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
아토피피부염의 평가방법에는 SCORAD, ADSI, SSS, EASI, POEM 등의 평가방법이 존재하지만, 다양한 아토피피부염 평가방법의 존재는 적절한 객관적 평가방법을 마련하기 어렵다는 반증으로 사료되며(손병국과 최인화, 2008), 현재 아토피 중증도에 대한 진단은 의사들의 시진과 아토피피부염 환자를 대상으로 수행된 설문 결과에 의존하게 되어 병변별, 병변 부위별 중증도에 대한 객관적인 진단을 수행할 수 없다는 한계가 존재한다. 객관성이 확보되지 않은 진단 방법의 문제점을 해결하고 의료 서비스의 질을 향상시킴으로써 아토피 환자 삶의 질을 향상에 기여하고자 본 연구에서는 CNN을 활용한 아토피 중증도 진단 모형을 개발하였다. 이를 위해 다음과 같은 연구가 수행되었다.
다양한 선행연구들을 살펴보면 CNN 알고리즘은 이미지 분류에 적합한 알고리즘임을 알 수 있으며, 본 연구에서는 아토피피부염 병변별 중증도 분류를 CNN을 활용하여 시도하고자 한다.
본 연구는 가톨릭대학교 의과대학 서울성모병원 연구윤리심의위원회(Institutional review board)의 승인을 받아 수행되었으며, 정량적인 아토피 피부염 중증도 평가방법을 마련하기 위해 이미지 인식 알고리즘인 CNN을 활용한 지능형 아토피 중증도 진단 모델을 제안하고자 한다. 이를 위해 다음과 같은 연구 절차를 수행된다.
한편, Papulation의 경우 2D 이미지 데이터에서 부어오른 정도를 진단하는데 한계가 있으므로 본 연구에서는 Erythema, Excoriaition, Lichenification에 대한 중증도를 CNN 알고리즘을 활용하여 진단하고자 한다.
제안 방법
CNN을 활용한 아토피피부염 중증도 진단 모델을 개발하기 위해 본 연구에서는 ‘데이터 수집 및 라벨링’, ‘중증도 진단 모델 학습 및 검증’ 등의 연구절차를 수행하게 되며, 각 절차에 대한 자세한 내용은 다음과 같다.
둘째, 아토피 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 선정하기 위해 ILVRC (ImageNet Large Scale Visual Recognition Challenge)에서 높은 이미지 인식 정확도를 나타낸 GoogLeNet, VGG-Net, ResNet 등을 활용하여 아토피 병변별로 모델에 대한 학습이 수행되 었으며, 검증용 데이터를 활용하여 해당 모델의 이미지 인식 정확도를 산출했다.
둘째, 지능형 아토피피부염 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 파악하기 위해 다양한 CNN 알고리즘들을 병변별 학습용 데이터로 학습시키고, 검증용 데이터를 활용하여 해당 모델의 이미지 인식 정확도를 측정한다.
그들이 제안한 VGG-Net은 계층 깊이가 깊어진 대신 계층의 구조가 단순하기 때문에 네트워크의 변형과 수정, 확장이 간편하다는 장점을 가지고 있다. 본 연구에서는 네트워크의 계층이 깊어짐에 따라 메모리 사용량과 연산량이 증가하여 학습 속도가 저하되는 문제를 해결하기 위해 7 X 7 또는 5 X 5 합성곱 필터와 같이 다량의 파라미터를 생성하는 필터 대신 소량의 파라미터를 생성하는 3 X 3 크기의 합성곱 필터를 2중 또는 3중으로 중첩하여 VGG-Net을 구성하였다.
원본 이미지로부터 병변 부위만을 추출한 이미지는 총 4,440개이며, 해당 이미지를 대상으로 아토피 병변별(Erythema, Excoriation, Lichenification) 중증도별(중증도 0, 중증도 1, 중증도 2, 중증도 3) 라벨링 작업이 수행되었다. 라벨링 수행 결과 Erythema와 Excoriation은 중증도별로 500개의 이미지 데이터가 활용되었으며, Lichenification 은 중증도별로 110개의 이미지 데이터가 활용되었다.
첫째, 가톨릭대학교 의과대학 서울성모병원의 DB로부터 아토피 환자의 이미지 데이터가 수집되며, 수집된 이미지 데이터에서 환자 신체 부위 별로 병변(예: 홍반(이하 Erythema), 긁은 정도 (이하 Excoriation), 태선화(이하 Lichenification)) 이미지들을 추출하여 모델 학습과 검증에 적합한 학습용 데이터와 검증용 데이터를 확보한다.
대상 데이터
지능형 아토피피부염 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 파악하기 위해 본연구에서는 GoogLeNet, ResNet, VGG-Net을 대상으로 병변별 학습용 데이터를 활용하여 모델 학습을 수행했다. 1,400개의 학습용 데이터가 Erythema와 Excoriation을 학습하기 위해 모델별로 활용되었으며, Lichenification의 경우 308개의 학습용 데이터가 모델 학습을 위해 활용되었다. 원활한 모델 학습을 위해 다양한 하드웨어 환경에서 인공신경망 모델을 쉽게 생성할 수 있는 텐서플로우(Tensorflow)를 활용하여 모델 학습을 수행했다.
딥러닝을 활용하여 아토피 중증도 진단 모델을 개발하기 위해 가톨릭대학교 의과대학 서울성모병원 DB로부터 아토피 환자 이미지 데이터가 추출되었다. 최근 10년간 촬영된 환자 이미지 데이터는 총 24,852장(25.
원본 이미지로부터 병변 부위만을 추출한 이미지는 총 4,440개이며, 해당 이미지를 대상으로 아토피 병변별(Erythema, Excoriation, Lichenification) 중증도별(중증도 0, 중증도 1, 중증도 2, 중증도 3) 라벨링 작업이 수행되었다. 라벨링 수행 결과 Erythema와 Excoriation은 중증도별로 500개의 이미지 데이터가 활용되었으며, Lichenification 은 중증도별로 110개의 이미지 데이터가 활용되었다. 각 병변별, 중증도별 이미지 예시는 <표 2>와 같다.
모형의 학습을 위해 이전단계에서 라벨링이 완료된 병변 이미지 데이터 중 70%가 학습용 데이터로 활용되며, 학습용 데이터를 제외한 30% 가 검증용 데이터로 활용된다. 또한, 병변별로 가장 성능이 높은 모델을 선정하기 위해 ILVRC (ImageNet Large Scale Visual Recognition Challenge)에서 높은 성능을 나타낸 VGG-Net, GoogLeNet, ResNet 등이 활용되며, 각각의 알고리즘에 대한 자세한 설명은 다음과 같다.
병변별, 모델별 학습이 완료된 후 600개의 검증용 데이터가 Erythema와 Excoriation에 대한 모델별 이미지 인식 정확도를 산출하기 위해 활용되었으며, Lichenfication의 경우 132개의 검증용 데이터가 활용되었다. 검증용 데이터를 활용하여 산출된 병변별, 모델별 이미지 인식 정확도는 <표 3>과 같다.
<그림 6>을 살펴보면 수집된 아토피 환자 피부 이미지는 아토피 병변이 발생한 특정 신체부위가 촬영된 것임을 알 수 있다. 본 연구에서는 아토피 피부염 중증도 진단 모형 개발을 위해 수집된 이미지 데이터에서 아토피 병변이 발생한 부위만을 추출하였으며, 추출된 이미지 데이터 예시는 아래와 같다.
아토피 중증도 진단 모형에 사용될 아토피 환자의 피부 이미지 데이터가 가톨릭대학교 의과대학 서울성모병원 DB로부터 수집된다. 수집된 이미지 데이터는 아토피 병변이 발생한 특정 신체부위가 촬영된 이미지 데이터이며, 모형 개발을 위해 수집된 이미지 데이터에서 병변 발생 부위 추출 작업이 수행된다. 병변이 추출된 이미지 데이터를 대상으로 총 3가지 병변과 4가지 중증도(병변 없음 ‘0’, 중증도 ‘1’, 중증도 ‘2’, 중증도 ‘3’)를 라벨링(Labeling)하며, 라벨링이 완료된 이미지는 아토피 중증도 진단을 위한 CNN 모델의 입력 데이터로 활용된다.
아토피 중증도 진단 모형에 사용될 아토피 환자의 피부 이미지 데이터가 가톨릭대학교 의과대학 서울성모병원 DB로부터 수집된다. 수집된 이미지 데이터는 아토피 병변이 발생한 특정 신체부위가 촬영된 이미지 데이터이며, 모형 개발을 위해 수집된 이미지 데이터에서 병변 발생 부위 추출 작업이 수행된다.
지능형 아토피피부염 중증도 진단 모형에 적합한 이미지 인식 알고리즘을 파악하기 위해 본연구에서는 GoogLeNet, ResNet, VGG-Net을 대상으로 병변별 학습용 데이터를 활용하여 모델 학습을 수행했다. 1,400개의 학습용 데이터가 Erythema와 Excoriation을 학습하기 위해 모델별로 활용되었으며, Lichenification의 경우 308개의 학습용 데이터가 모델 학습을 위해 활용되었다.
첫째, 국내 대형 종합 병원 중 하나인 가톨릭 대학교 의과대학 서울성모병원의 DB로부터 아토피 환자의 피부 이미지 데이터를 수집하였으며, 수집된 이미지 데이터에서 병변 부위를 추출하여 모델 학습과 검증에 적합한 학습용 데이터와 검증용 데이터를 확보하였다.
딥러닝을 활용하여 아토피 중증도 진단 모델을 개발하기 위해 가톨릭대학교 의과대학 서울성모병원 DB로부터 아토피 환자 이미지 데이터가 추출되었다. 최근 10년간 촬영된 환자 이미지 데이터는 총 24,852장(25.4GB)이며, 수집된 원본 피부 이미지 예시는 아래와 같다.
이론/모형
1,400개의 학습용 데이터가 Erythema와 Excoriation을 학습하기 위해 모델별로 활용되었으며, Lichenification의 경우 308개의 학습용 데이터가 모델 학습을 위해 활용되었다. 원활한 모델 학습을 위해 다양한 하드웨어 환경에서 인공신경망 모델을 쉽게 생성할 수 있는 텐서플로우(Tensorflow)를 활용하여 모델 학습을 수행했다. 학습의 형평성을 위해 각 모델의 학습비율(learning rate)을 0.
성능/효과
이를 해결하기 위해 향후 연구 에서는 2D 이미지에서 입체감을 감지하는 다양한 알고리즘에 대한 연구와, 입체감을 감지하는 알고리즘을 CNN에 적용하여 구진에 대한 객관적 중증도 평가 모델을 구축하는 것이 필요하다. 둘째, Lichenification의 경우 데이터 수의 부족으로 인해 모든 모델에서 이미지 인식 정확도가 90% 미만으로 나타났다. 향후 연구에서는 Lichenification에 대한 데이터의 추가 확보를 통해 해당 병변의 중증도 진단 정확도 향상이 필요할 것으로 사료된다.
첫째, 실제 아토피 환자의 이미지 데이터를 활용하여 지능형 아토피피부염 중증도 진단 모형을 개발했으므로, 본 연구에서 개발된 모형은 실제 임상 환경에서의 활용성이 높을 것으로 기대된다. 둘째, 다양한 이미지 인식 알고리즘을 아토피피부염에 적용한 결과 병변별 중증도 진단 정확도가 90% 이상으로 측정되었으며, 해당 결과를 통해 이미지 인식 알고리즘이 단순한 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 아토피피부염 중증도 진단 분야에도 높은 성능을 나타낸다는 것을 본 연구에서 실증적으로 입증했다.
첫째, 가톨릭 대학교 의과대학 서울성모병원 DB에서 수집된 데이터는 실제 아토피 환자를 대상으로 촬영된 이미지 데이터이며, 해당 데이터를 활용하여 모델에 대한 학습이 수행되었으므로 본 연구에서 개발된 아토피 중증도 진단 모형은 실제 임상 환경에서의 활용성이 높을 것으로 사료된다. 둘째, 단순히 사물을 인식하는 이미지 인식 알고리즘을 만성피부질환 중 하나인 아토피피부염에 적용한 결과 중증도 진단 정확도가 90% 이상으로 측정되었으며, 해당 결과를 통해 기존의 다양한 이미지 인식 알고리즘이 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 아토피피부염 중증도 진단 분야에도 높은 성능을 나타낸다는 것을 본 연구에서 실증적으로 입증했다는 점에 의의가 있다. 셋째, 학습용 데이터의 수가 많은 Erythema와 Excoriation의 경우 이미지 인식 정확도가 대부분 90% 이상으로 측정되었으나, 상대적으로 학습용 데이터가 적은 Lichenification 의 경우 모든 모델에서 이미지 인식 정확도가 90% 미만으로 측정되었다.
, 2012). 따라서 GoogLeNet의 22개 은닉층이 한계 깊이라는 의견이 강했으나, ResNet은 residual 연결을 통해 기울기 값의 소실 문제를 해결했다.
00%)순으로 이미지 인식 성능을 나타냈다. 마지막으로 Lichenification의 경우 VGG-Net 16과 VGG-Net 19가 약 89.00%의 이미지 인식 정확도를 기록하여 가장 우수한 성능을 보이는 것으로 나타났으며, 그 뒤로 ResNet V2 50(약 88.00%), Inception V2(84.50%) 순으로 나타났다.
모델 검증 결과를 종합하면, Erythema의 경우 ResNet V1 101의 이미지 인식 정확도가 가장 높게 나타났으며, Excoriation의 경우 ResNet V2 50이 가장 우수하였다. 한편 Lichenification의 경우 VGG-Net 16과 VGG-Net 19의 병변 이미지 인식 정확도가 약 89.
둘째, 단순히 사물을 인식하는 이미지 인식 알고리즘을 만성피부질환 중 하나인 아토피피부염에 적용한 결과 중증도 진단 정확도가 90% 이상으로 측정되었으며, 해당 결과를 통해 기존의 다양한 이미지 인식 알고리즘이 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 아토피피부염 중증도 진단 분야에도 높은 성능을 나타낸다는 것을 본 연구에서 실증적으로 입증했다는 점에 의의가 있다. 셋째, 학습용 데이터의 수가 많은 Erythema와 Excoriation의 경우 이미지 인식 정확도가 대부분 90% 이상으로 측정되었으나, 상대적으로 학습용 데이터가 적은 Lichenification 의 경우 모든 모델에서 이미지 인식 정확도가 90% 미만으로 측정되었다. 해당 결과를 통해 다양한 이미지 인식 알고리즘 또한 다른 딥러닝 및 머신러닝 기법과 동일하게 학습용 데이터의 수가 모델의 정확도에 영향을 미친다는 것을 시사해준다.
아토피 병변 Erythema의 경우 ‘ResNet V1 101’, Excoriation의 경우 ‘ResNet V2 50’이 90% 이상의 정확도를 기록하였으며, Lichenification의 경우 학습용 데이터 부족의 한계로 인해 두 병변보다 낮은 89%의 정확도를 보였다.
이는 6,000만 개를 사용 하는 AlexNet의 11/12배 적은 파라미터를 사용하는 것으로써, 연산량 감소로 인해 이미지 학습 속도가 빠르며 이미지 인식 정확도 또한 ILVRC’14 (ImageNet Large Scale Visual Recognition Challenge 2014)에서 93.3%의 높은 정확도를 보였다.
전술된 의료분야 인공지능 도입 사례를 살펴보면 인간의 생명과 직결된 질병인 ‘암’에 초점을 두고 있음을 알 수 있으며, 선행연구 조사 결과 인공지능을 만성피부질환 분야에 도입한 사례는 극히 드문 것으로 나타났다.
전술된 절차를 통해 아토피 중증도 진단 모형 개발 연구를 수행한 결과, 아토피 병변중 하나인 Erythema의 경우 ResNet V1 101이 가장 높은 정확도(95.66%)를 보였으며, Excoriation의 경우 ResNet V2 50이 가장 우수(94.00%)하였다. 한편, Lichenification의 경우 VGG-Net 16과 VGGNet 19가 정확도 89.
모델 검증 결과를 종합하면, Erythema의 경우 ResNet V1 101의 이미지 인식 정확도가 가장 높게 나타났으며, Excoriation의 경우 ResNet V2 50이 가장 우수하였다. 한편 Lichenification의 경우 VGG-Net 16과 VGG-Net 19의 병변 이미지 인식 정확도가 약 89.00%로 동일하게 측정되어 가장 높은 성능을 나타냈으나, 학습 데이터의 수가 1,400개인 Erythema와 Excoriation과 달리 308개의 데이터를 활용하여 학습을 수행하였으므로 Lichenification에 대한 최종 모델은 학습 데이터를 충분히 확보한 후에 선정하는 것이 타당할 것으로 판단된다.
00%)하였다. 한편, Lichenification의 경우 VGG-Net 16과 VGGNet 19가 정확도 89.00%로 가장 우수한 성능을 나타냈으나, Erythema와 Excoriation과 달리 학습용 데이터가 부족한 상황에서 실험을 수행하였으므로, 해당 병변에 대한 지능형 아토피 진단 지원 시스템의 최종 모델은 학습용 데이터를 충분히 확보한 후에 선정하는 것이 타당할 것으로 판단하였다.
셋째, 학습용 데이터의 수가 많은 Erythema와 Excoriation의 경우 이미지 인식 정확도가 대부분 90% 이상으로 측정되었으나, 상대적으로 학습용 데이터가 적은 Lichenification 의 경우 모든 모델에서 이미지 인식 정확도가 90% 미만으로 측정되었다. 해당 결과를 통해 다양한 이미지 인식 알고리즘 또한 다른 딥러닝 및 머신러닝 기법과 동일하게 학습용 데이터의 수가 모델의 정확도에 영향을 미친다는 것을 시사해준다. 마지막으로 본 연구에서 제시한 방법론을 의료기기에 적용한다면 의료기기 산업이 미래 유망 산업으로 주목받는 현 시점에서 국내 의료기기 산업 발전에 기여할 수 있을 것으로 기대된다.
후속연구
이에 따라 국내 의료기기 산업의 경쟁력 향상을 위한 다양한 연구(이강빈, 2010; 신미화와 이영훈, 2011; 엄광열과 고형렬, 2012; 장영재와 양동현, 2013; 라공우와 홍길종, 2014; 이유아와 정윤세, 2015; 이창섭 외, 2017)가 수행되었으며, 특히 AHP와 Fuzzy-AHP를 활용하여 미래 유망 의료기기를 선정한 이창섭 외(2017)에서는 IT등의 최신 기술과 융합되어 작용하는 의료기기 기술인 ‘첨단 의료기기’를 미래 유망 의료기기로 선정했다. 따라서 최근 주목받는 딥러닝 기법을 통해 아토피피부염 중증도를 객관적으로 평가하여 의료기기에 적용한다면 실제 임상 환경에서의 활용성이 높을 뿐만 아니라 국내 의료기기 산업의 발전에도 기여할 수 있을 것으로 기대된다.
또한, 본 연구의 목적을 달성한다면 국내 의료기기 산업 발전에 기여할 수 있을 것으로 기대 된다. 의료기기 산업은 기술개발 환경과 시장규모가 급변하고 있으며(정명애, 2009; 최병돈 외, 2012; 김용현 외, 2016; 윤재웅 외, 2016), 산업의 존속과 발전을 위해 세계시장에서 경쟁 가능한 수준의 의료기기 기술과 품질이 요구된다(박종찬 외, 2006; Jun, 2012; 전재헌 외, 2016).
해당 결과를 통해 다양한 이미지 인식 알고리즘 또한 다른 딥러닝 및 머신러닝 기법과 동일하게 학습용 데이터의 수가 모델의 정확도에 영향을 미친다는 것을 시사해준다. 마지막으로 본 연구에서 제시한 방법론을 의료기기에 적용한다면 의료기기 산업이 미래 유망 산업으로 주목받는 현 시점에서 국내 의료기기 산업 발전에 기여할 수 있을 것으로 기대된다. 의료기기 산업은 기술개발 환경과 시장규모가 급변하고 있으며, 한국산업기술평가관리원(2013)에 따르면 우리나라의 의료기기 기술 수준은 미국보다 2.
향후 연구에서는 Lichenification에 대한 데이터의 추가 확보를 통해 해당 병변의 중증도 진단 정확도 향상이 필요할 것으로 사료된다. 셋째, 본 연구에서는 아토피피부염을 대상으로 중증도 진단 모형을 개발했으나, 아토피피부염 이외의 다양한 피부 질환 이미지의 중증도 진단에도 CNN 모델이 적용될 수 있는지에 대한 시도가 필요하다.
첫째, 피부가 부어오르는 구진(Papule)의 경우 2D 이미지 데이터에서 부어오른 정도를 진단하는데 한계가 존재하여 본 연구의 실험대상에서 제외되었다. 이를 해결하기 위해 향후 연구 에서는 2D 이미지에서 입체감을 감지하는 다양한 알고리즘에 대한 연구와, 입체감을 감지하는 알고리즘을 CNN에 적용하여 구진에 대한 객관적 중증도 평가 모델을 구축하는 것이 필요하다. 둘째, Lichenification의 경우 데이터 수의 부족으로 인해 모든 모델에서 이미지 인식 정확도가 90% 미만으로 나타났다.
본 연구의 의의는 다음과 같다. 첫째, 가톨릭 대학교 의과대학 서울성모병원 DB에서 수집된 데이터는 실제 아토피 환자를 대상으로 촬영된 이미지 데이터이며, 해당 데이터를 활용하여 모델에 대한 학습이 수행되었으므로 본 연구에서 개발된 아토피 중증도 진단 모형은 실제 임상 환경에서의 활용성이 높을 것으로 사료된다. 둘째, 단순히 사물을 인식하는 이미지 인식 알고리즘을 만성피부질환 중 하나인 아토피피부염에 적용한 결과 중증도 진단 정확도가 90% 이상으로 측정되었으며, 해당 결과를 통해 기존의 다양한 이미지 인식 알고리즘이 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 아토피피부염 중증도 진단 분야에도 높은 성능을 나타낸다는 것을 본 연구에서 실증적으로 입증했다는 점에 의의가 있다.
본 연구의 의의는 다음과 같다. 첫째, 실제 아토피 환자의 이미지 데이터를 활용하여 지능형 아토피피부염 중증도 진단 모형을 개발했으므로, 본 연구에서 개발된 모형은 실제 임상 환경에서의 활용성이 높을 것으로 기대된다. 둘째, 다양한 이미지 인식 알고리즘을 아토피피부염에 적용한 결과 병변별 중증도 진단 정확도가 90% 이상으로 측정되었으며, 해당 결과를 통해 이미지 인식 알고리즘이 단순한 사물 인식 분야뿐만 아니라 전문적 지식이 요구되는 아토피피부염 중증도 진단 분야에도 높은 성능을 나타낸다는 것을 본 연구에서 실증적으로 입증했다.
본 연구의 한계점 및 향후 연구방향은 다음과 같다. 첫째, 피부가 부어오르는 구진(Papule)의 경우 2D 이미지 데이터에서 부어오른 정도를 진단하는데 한계가 존재하여 본 연구의 실험대상에서 제외되었다. 이를 해결하기 위해 향후 연구 에서는 2D 이미지에서 입체감을 감지하는 다양한 알고리즘에 대한 연구와, 입체감을 감지하는 알고리즘을 CNN에 적용하여 구진에 대한 객관적 중증도 평가 모델을 구축하는 것이 필요하다.
이에 따라 국내 의료기기 산업의 경쟁력 향상을 위한 다양한 연구(이강빈, 2010; 신미화와 이영훈, 2011; 엄광열과 고형렬, 2012; 장영재와 양동현, 2013; 라공우와 홍길종, 2014; 이유아와 정윤세, 2015; 이창섭 외, 2017)가 수행되었으며, 특히 AHP와 Fuzzy-AHP를 활용하여 미래 유망 의료기기를 선정한 이창섭 외(2017)에서는 IT등의 최신 기술과 융합되어 작용하는 의료기기 기술인 ‘첨단 의료기기’를 미래 유망 의료기기로 선정했다. 따라서 최근 주목받는 딥러닝 기법을 통해 아토피피부염 중증도를 객관적으로 평가하여 의료기기에 적용한다면 실제 임상 환경에서의 활용성이 높을 뿐만 아니라 국내 의료기기 산업의 발전에도 기여할 수 있을 것으로 기대된다.
둘째, Lichenification의 경우 데이터 수의 부족으로 인해 모든 모델에서 이미지 인식 정확도가 90% 미만으로 나타났다. 향후 연구에서는 Lichenification에 대한 데이터의 추가 확보를 통해 해당 병변의 중증도 진단 정확도 향상이 필요할 것으로 사료된다. 셋째, 본 연구에서는 아토피피부염을 대상으로 중증도 진단 모형을 개발했으나, 아토피피부염 이외의 다양한 피부 질환 이미지의 중증도 진단에도 CNN 모델이 적용될 수 있는지에 대한 시도가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
인셉션 모듈이란 무엇인가?
인셉션 모듈은 각각의 병렬 합성곱 계층 이전에 1x1 합성곱 계층을 추가한 것으로써 해당 합성곱 계층은 ‘1-계층 완전 연결 신경망(1-layer fully-connected neural network)’라고도 불린다. 인셉션 모듈의 처리 과정은 <그림 4>와 같이 1×1 합성곱 계층의 입력 데이터인 특성 지도 (feature-map)로 부터 유사한 특징 점들을 묶어 특성 지도의 수를 줄이는 방식으로써, 네트워크 내부에 네트워크를 중첩해서 사용하는 Network In Network(NIN) 구조를 기반으로 구성되어 있으며(Lin et al.
The Scoring of Atopic Dermatitis의 한계는 무엇인가?
한편, 아토피피부염 진단기준으로 널리 사용되는 The Scoring of Atopic Dermatitis(SCORAD)은 많은 연구들에 의해 검증된 아토피피부염 진단 기준이지만, 병변에 대한 중증도 진단 시 증상의 징후와 평가를 혼합하여 활용한다는 문제점과 주로 소아 환자에 치우친 진단 기준이라는 한계가 존재한다(Stalder et al., 1993).
연산량과 파라미터 개수를 줄이는 방법으로 인셉션 모듈기법을 제안한 배경은 무엇인가?
(2015)은 22개의 계층으로 이루어진 GoogLeNet을 제안했다. 하지만 깊은 계층으로 구성된 네트워크는 과적합, 처리 속도 저하, 메모리 사용량의 증가와 같은 문제점들이 발생하게 되어 한정된 자원을 사용하고 저사양 하드웨어로 동작하는 임베디드 시스템 환경에서는 활용하기 어렵다는 한계가 존재하였다. 따라서 그들은 네트워크의 깊이에 따라 발생하는 일련의 문제를 해결하기 위해 연산량과 파라미터 개수를 줄이는 방법으로 <그림 3>과 같은 인셉션(Inception) 모듈기법을 제안했다.
참고문헌 (45)
권지애.노기영.고보경.김진우(2004), "한국인 청장년기 아토피피부염 환자의 임상적 특징에 관한 연구," 대한피부과학회지, 42(8), 949-954.
김용현.정병기.윤장혁(2016), "특허경영활동이 기업 경영성과에 미치는 영향에 관한 연구: 국내 의료기기 제조 기업을 중심으로," 산업경영시스템학회지, 39(1), 1-8.
최혜정.김규한.김명남.김진우.노영석. 박천욱.조상현(2004), "설문지에 의한 한국 성인형 아토피 피부 염의 유발요인에 대한 연구," 대한피부과학회 춘계학술대회, 42(9), 1152-1160.
한국산업기술평가관리원(2013), "산업기술수준조사보고서."
OECD, "한눈에 보는 OECD 보건의료 2015".
Costa, C., Rilliet, A., Nicolet, M., & Saurat, J. H.(1989), "Scoring Atopic Dermatitis: the Simpler the Better," Acta Dermato-Venereologica Supplement, 69(41), 5.
Drucker, A. M., Wang, A. R., Li, W. Q., Sevetson, E., Block, J. K., & Qureshi, A. A.(2017), "The Burden of Atopic Dermatitis: Aummary of a Report for the National Eczema Association," J Invest Dermatol, 137(1), 26-30.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S.(2017), "Dermatologist-level Classification of Skin Cancer with Deep Neural Networks," Nature, 542(7639), 115-118.
Hanifin, J. M.(1989), "Standardized Grading of Subjects for Clinical Research Studies in Atopic Dermatitis: Workshop Report," Acta Dermato-Venereologica Supplement, 69(144), 28-30.
Hanifin, J.M., & Rajka, G.(1980), "Diagnostic Features of Atopic Dermatitis," Acta Dermato-Venereologica Supplement, 60(92), 44-47
He, K., Zhang, X., Ren, S., & Sun, J.(2016), "Deep Residual Learning for Image Recognition," In Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778.
Ho, R. C., Giam, Y. C., Ng, T. P., Mak, A., Goh, D., Zhang, M. W., Zhang, M. W., Cheak, A., & Van Bever, H. P(2010), "The Influence of Childhood Atopic Dermatitis on Health of Mothers, and its Impact on Asian Families," Pediatric Allergy and Immunology, 21(3), 501-507.
Jun, S. H.(2012). "Central Technology Forecasting using Social Network Analysis," In Computer Applications for Software Engineering, Disaster Recovery, and Business Continuity, 1-8.
Kataoka, H., Iwata, K., & Satoh, Y.(2015), "Feature Evaluation of Deep Convolutional Neural Networks for Object Recognition and Detection," arXiv preprint arXiv:1509.07627.
Kim, B. K., Kim, J. Y., Kang, M. K., Yang, M. S., Park, H. W., Min, K. U., Cho, S. H., & Kang, H. R.(2016), "Allergies are still on the Rise? A 6-year Nationwide Population-based Study in Korea," Allergology International, 65(2), 186-191.
Krizhevsky, A., Sutskever, I., & Hinton, G. E.(2012), "Imagenet Classification with Deep Convolutional Neural Networks," NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems, 1097-1105.
LewisJones, M. S.(2006), "A Comparative Study of Impairment of Quality of Life in Children with Skin Disease and Children with other Chronic Childhood Diseases," British Journal of Dermatology, 155(1), 145-151.
LewisJones, M. S., & Finlay, A. Y. (1995), "The Children's Dermatology Life Quality Index (CDLQI): initial validation and practical use," British Journal of Dermatology, 132(6), 942-949.
Lin, M., Chen, Q., & Yan, S. (2013), "Network in network," arXiv preprint arXiv:1312.4400.
Seymour, J. L., Keswick, B. H., Hanifin, J. M., Jordan, W. P., & Milligan, M. C(1987), "Clinical Effects of Diaper Types on the Skin of Normal Infants and Infants with Atopic dermatitis," Journal of the American Academy of Dermatology, 17(6), 988-997.
Simonyan, K., & Zisserman, A.(2014), "Very deep convolutional networks for large-scale image recognition," arXivpreprint arXiv:1409.1556.
Sowden, J. M., Allen, B. R., Berth-Jones, J., Graham-Brown, R. A. C., Motley, R. J., Finlay, A. Y., & Camp, R. D. R.(1991), "Double-blind, Controlled, Crossover Study of Cyclosporin in Adults with Severe Refractory Atopic Dermatitis," The Lancet, 338(8760), 137-140.
Srivastava, N., Hinton, G. E., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R.(2014), "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," Journal of Machine Learning Research, 15(1), 1929-1958.
Stalder, J. F., Taieb, A., Atherton, D. J., Bieber, P., Bonifazi, E., Broberg, A., & Cuannetti, A.(1993), "Severity Scoring of Atopic Dermatitis: The SCORAD Index: Consensus Report of the European Task Force on Atopic Dermatitis," Dermatology, 186(1), 23-31.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., & Rabinovich, A.(2015), "Going Deeper with Convolutions," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1-9.
Williams, H. C.(1995), "On the definition and epidemiology of atopic dermatitis," Dermatologic Clinics, 13(3), 649-657.
Wu, G., Kim, M., Wang, Q., Gao, Y., Liao, S., & Shen, D.(2013), "Unsupervised deep feature learning for deformable registration of MR brain images," International Conference on Medical Image Computing and Computer-Assisted Intervention, 649-656.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.