1. Orange3를 활용한 암 진단 분류 모델 구축 [0]

thumbnail Orange3를 사용하여 의학 지식이 없어도 방대한 데이터를 학습하여 암 진단이 가능한 분류 모델을 만들 수 있으며, 이는 의사의 진단 시간을 줄여주는 매력적인 도구가 될 수 있다.

1.1. 이미지 데이터 준비 및 임베딩 [0]

  1. 암 진단 분류 모델 구축을 위한 이미지 데이터 준비 [0]
    1. 총 6가지 종류의 이미지가 4개의 카테고리로 나뉘어 준비되어 있다. [6]
    2. 실제 이미지 뷰어를 통해 이미지의 종류를 확인할 수 있다. [7]
    3. 보여지는 이미지는 실제 암 환자의 조직 샘플 이미지이다. [8]
  2. 이미지 데이터를 컴퓨터가 이해할 수 있는 형태로 변환 (임베딩) [17]
    1. 이미지는 컴퓨터가 직접 이해하기 어렵기 때문에, 임베딩 기능을 통해 컴퓨터가 알아들을 수 있는 형태로 변형하는 과정이 필수적이다. [18]
    2. 다양한 임베딩 방법 중, 가장 기본적인 ResNet V3 기능을 활용한다. [20]

1.2. 분류 모델 학습 및 평가 [21]

  1. 임베딩된 데이터를 활용한 모델 학습 [21]
    1. 임베딩된 데이터는 다양한 노드를 통해 학습시킬 수 있다. [21]
    2. 학습에는 신경망(Neural Network), SVM, EM 세 가지 모델을 사용한다. [23]
    3. 모델 학습에는 시간이 다소 소요된다. [28]
    4. 학습이 완료되었는지 확인하기 위해 테스트 스코어를 확인한다. [28]
  2. 모델 성능 평가 지표 이해 [36]
    1. F1 스코어: 1에 가까울수록 좋은 모델이며, 유라넷(Neural Network) 모델이 가장 좋은 성능을 보인다. [39]
    2. 로그 손실(Log Loss): 수치가 작을수록 좋은 모델이며, SVM 모델이 가장 좋은 성능을 보인다. [39]
    3. 오차 행렬(Confusion Matrix): 모델 예측값과 실제 값을 비교하여 모델의 성능을 한눈에 보여준다. [62]
      1. True Negative (TN): 실제 음성인데 음성으로 예측한 경우. [63]
      2. False Positive (FP): 실제 음성인데 양성으로 잘못 예측한 경우. [66]
      3. True Positive (TP): 실제 양성인데 양성으로 예측한 경우. [65]
      4. False Negative (FN): 실제 양성인데 음성으로 잘못 예측한 경우 (치료 기회를 놓칠 수 있음). [67]
    4. 정확도(Accuracy): 전체 예측 중 맞춘 예측의 비율. [76]
    5. 정밀도(Precision): 양성으로 예측한 것 중 실제 양성인 비율. 암 진단과 같이 양성 예측이 중요할 때 핵심적인 평가 지표이다. [85]
    6. 재현율(Recall): 실제 양성인 것 중 양성으로 올바르게 예측한 비율. [94]
    7. F1 스코어: 정밀도와 재현율의 조화 평균으로, 두 지표의 장단점을 보완한다. 가장 중요하게 보는 지표 중 하나이다. [100]
    8. 로그 손실(Log Loss): 예측값의 확신도를 반영하는 지표로, 값이 낮을수록 더 신뢰할 수 있는 모델이다. [107]
  3. 새로운 데이터에 대한 예측 수행 [45]
    1. 학습된 모델을 바탕으로 새로운 환자 사진(70개 이미지)에 대한 예측을 수행한다. [45]
    2. 세 가지 모델 모두 연결하여 예측을 진행한다. [50]
    3. 각 모델은 이미지 데이터를 정상 또는 암으로 판단한다. [53]
    4. 일부 데이터에서 암의 종류에 따라 판정 오류가 발생하기도 하지만, 전반적으로 암인지 아닌지를 판단하는 수준은 매우 높다. [58]
    5. 이러한 예측 능력은 의학 지식이 없어도 암 진단이 가능하다는 것을 보여주며, 분류(Classification)의 매력이다. [60]

2. 모델 성능 향상을 위한 스태킹 기법 활용 [118]

thumbnail 다양한 모델의 예측 결과를 종합하여 더 나은 성능을 얻기 위해 스태킹(Stacking) 기법을 활용한다.

2.1. 스태킹 기법의 원리 및 적용 [118]

  1. 모델 선택 기준에 따른 고민 [118]
    1. F1 스코어 기준으로는 유라넷(Neural Network)이 가장 좋은 모델이다. [119]
    2. 로그 손실 기준으로는 SVM이 가장 좋은 모델이다. [119]
    3. 어떤 모델의 예측을 믿어야 할지에 대한 고민이 생긴다. [42]
  2. 스태킹 기법을 통한 모델 앙상블 [124]
    1. 모델은 하나만 써야 하는 것이 아니라, 여러 모델을 협력시킬 수 있다. [124]
    2. 스태킹(Stacking)은 여러 모델의 장점을 합쳐 새로운 예측을 가능하게 하는 기법이다. [125]
    3. 유라넷과 SVM의 장점을 모아 새로운 분석을 가능하게 한다. [130]
    4. 스태킹은 여러 모델을 성능시키기 때문에 시간이 다소 오래 걸리는 단점이 있다. [132]
    5. 스태킹 적용 후, F1 스코어 기준으로 유라넷이 여전히 가장 좋은 성능을 보이지만, 스태킹된 모델이 거의 유사한 수준으로 정확도가 높아졌다. [136]
    6. 로그 손실 또한 스태킹된 모델에서 가장 낮게 나타나, 두 모델의 장점을 합친 새로운 모델이 좋은 성능을 보였다. [138]
    7. 스태킹 기술은 분석 시간이 더 걸리더라도 더 좋은 수치로 예측할 수 있게 해주므로 활용해 볼 만하다. [139]