PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.03193v1cs.CV

연구와 실제 임상의 간극 좁히기: 임상 피부 병변 분류에서 범용 모델과 피부과 특화 모델의 체계적 평가

Bridging Research and Practice: A Systematic Evaluation of Generalist and Dermatology-Specific Models in Clinical Skin Lesion Classification

최근 몇 년 동안 피부과 분야에서의 머신러닝 활용은 개념 증명(PoC) 연구를 넘어 잠재적 응용으로 나아가며 크게 성장했습니다. 그러나 임상 피부과는 여전히 도전적이며 해결되지 않은 문제로 남아 있습니다. 진단적 평가는 모호한 경우가 많고, 피부 병변은 높은 다양성을 보이며, 획득 양식(modality), 기기 품질, 환자 인구통계학적 특성의 차이로 인해 이러한 점이 더욱 복잡해집니다. 이러한 요인들은 안전하고 공평한 임상 적용에 적합한 강건한 모델의 개발을 저해합니다. 실제 임상으로의 전환을 지원하기 위해서는 최신 모델들이 이종 데이터 소스 전반에서 어떻게 일반화되는지 체계적으로 평가하는 것이 필수적입니다. 본 연구에서는 더모스코피(dermoscopic) 이미지와 스마트폰 기반 임상 사진을 아우르는 최신 피부과 데이터셋을 바탕으로 다양한 아키텍처를 벤치마크합니다. 최신 범용 및 의료 비전-언어 모델(VLM)과 파운데이션 모델의 강건성을 평가하고, 이를 임베딩(embedding) 기반 접근법 및 합성곱 신경망(CNN)을 포함한 태스크 특화 피부과 분류기와 비교합니다. 본 연구는 분포 변화(distribution shift), 모달리티 변화, 인구통계학적 다양성 하에서의 모델 성능 평가를 제공합니다. 현재의 최고 성능(SOTA) 모델과 임상 배치 요구 조건 사이의 격차를 정량화함으로써, 피부과를 위한 신뢰할 수 있고 접근 가능하며 임상적으로 적용 가능한 AI 시스템 개발에 기여하고자 합니다.

arXiv:2606.20390v2cs.CV

메타데이터를 활용한 기하학적 인식 슈퍼픽셀 그래프 트랜스포머를 이용한 피부 병변 분류

Geometry-Aware Superpixel Graph Transformer with Metadata for Skin Lesion Classification

피부경(dermoscopic) 이미지에서의 자동 피부암 분류는 이질적인 병변 구조, 강한 클래스 내 변동성, 그리고 양성 및 악성 사례 간의 미세한 시각적 차이로 인해 여전히 어려운 과제입니다. 기존 CNN/ViT 파이프라인은 일반적으로 전역(global) 또는 패치(patch) 수준의 특징에 의존하며, 환자 메타데이터를 후기 융합(late fusion)을 통해 결합하는데, 이는 공간적으로 기반을 둔 멀티모달 추론을 제한합니다. 본 논문에서는 병변을 고정된(frozen) CNN 특징으로 표현되는 공간적으로 응집된 슈퍼픽셀(superpixel) 영역들의 그래프로 명시적으로 모델링하는 새로운 영역 기반 그래프 학습 프레임워크를 제안합니다. 세밀한 병변 구성을 포착하기 위해 영역 간 기하학을 에지(edge) 속성으로 인코딩하고, 모든 영역에 연결된 전용 메타데이터 컨텍스트 노드(node)를 도입하여 동일한 관계형 공간 내에서 인구통계학적/임상 변수의 구조화된 통합을 제공합니다. 노드(node) 표현은 에지 인지 그래프 트랜스포머(transformer)와 이어지는 어텐션(attention) 기반 전파를 사용하여 업데이트되며, 양성-악성 분류(classification)를 위한 최종 그래프 수준 임베딩(embedding)이 생성됩니다. 4개의 공개 벤치마크(benchmark)에 대한 실험 결과, 명시적인 영역 수준 관계형 모델링과 그래프 고유의 멀티모달 융합이 최신 성능(state-of-the-art) 대비 일관된 이득을 가져옴을 보여줍니다. 결과적으로, 우리는 CNN 특징이 관계형 노드로 모델링되고 맥락 통합을 통해 개선되어 더 표현력 있고 견고한 분류를 산출하는 새로운 그래프 중심적 관점을 확립했습니다.