전이 학습 방법을 이용한 갑상선 결절 분류에 대한 비교 연구

서론 갑상선은 목 앞쪽에 위치한 내분비선으로, 신체 전체의 기능을 위해 필요한 갑상선 호르몬을 생성하는 것이 주목적이다. 갑상선 기능 이상으로 인해 호르몬이 너무 적거나 많게 생성될 수 있다. 1990년대 이후 갑상선 질환 사례가 증가하고 있으며, 최근 몇 년 동안 갑상선 암은 가장 빠른 증가율을 보이는 악성종양이 되었다. 최근 연구에 따르면, 갑상선 기능 이상은 인도에서 4,200만 명에게 영향을 미치고 있다. 많은 연구들이 갑상선 분류에 대한 솔루션을 제공하였다. 방법 본 논문에서는 갑상선 결절을 분류하고 가장 높은 정확도를 예측하기 위해 다양한 전이 학습 모델을 조사하였다. 본 연구는 7,893개의 이미지로 구성된 포괄적인 데이터셋을 이용하여 DenseNet169, ResNet101 및 다양한 EfficientNet 변형을 포함한 여러 모델을 평가하였다. DenseNet169는 95.96%로 가장 높은 정확도를 달성하였고, ResNet101과 EfficientNetB1이 각각 94.74% 및 86.14%의 정확도로 뒤를 이었다. 모델들은 그리드 검색 전략을 사용하여 엄격하게 조정되고 최적화되었으며, 학습률, 배치 크기, 옵티마이저 유형 및 드롭아웃 비율과 같은 하이퍼파라미터가 성능 향상을 위해 신중하게 선택되었다. 평가에는 정밀도, 재현율 및 F1 점수 메트릭이 포함되어 다양한 메트릭 간에 균형 잡힌 성능을 보장하였다. 결과 우리의 결과는 고급 전이 학습 모델이 전통적인 진단 접근 방식보다 양성 조건에서 악성을 더 높은 정확도로 구별할 수 있음을 보여준다. 결론 본 연구는 의료 진단에서 AI 기술을 통합하여 갑상선 질환 검출의 정확성과 신뢰성을 향상시킬 수 있는 가능성을 강조하며, 궁극적으로 더 나은 환자 결과로 이어질 것이다.