학부 캡스톤으로 흉부 X-ray 폐결절 분류기를 4,200장 데이터로 만든 경험
약 90초
프로젝트(폐결절 분류) → 기술(ResNet50·Grad-CAM) → 성과(AUC 0.91·블라인드 평가) → 팀워크(다학제 용어집)
학부 4학년 캡스톤으로 흉부 X-ray 영상에서 폐결절 자동 분류기 프로젝트에 참여했습니다. 산학협력 형태로 대학병원 영상의학과 연구실의 익명화 데이터 4,200장을 받아 6주간 진행했고, 4인 팀에서 저는 데이터 전처리·모델 학습 부분을 맡았습니다.
기술은 ResNet50 사전학습 + 의료 영상용 ImageNet 미세조정을 1차로, Grad-CAM 시각화로 모델이 어디를 보는지 의사 선생님께 보여드리는 결을 같이 갔습니다. 의료 영상은 '맞췄다'만으로 부족하고 '어디를 보고 맞췄나'가 임상에 더 중요하다는 점을 그때 배웠습니다.
성과 쪽으로는, 5-fold cross validation 평균 AUC 0.91·민감도 88%·특이도 86%로 닫혔습니다. 영상의학과 교수님 두 분 블라인드 평가에서 위양성 케이스 12장 중 8장이 의사가 봐도 어려운 영역이라는 피드백을 받아, 단순 정확도 외 의미가 있었다고 보고됐습니다.
팀워크는 의공학 2명·임상 1명·전산 1명 구성이라 처음엔 용어부터 달라, 첫 주에 '우리 팀 용어집' 노션 한 페이지를 만들고 시작했습니다. 임상 1명이 매주 데이터에서 본 '이건 결절이 아니라 흉터'를 알려준 덕에 라벨 노이즈를 80장 정도 잡아냈습니다. 배운 점은 '의료 AI의 정확도는 데이터셋 정의에서 절반이 결정된다'는 결이었습니다.