설명 가능한 폐암 분류 앙상블 프레임워크
폐암은 전 세계적으로 주요 암 사망 원인이며, 흉부 CT 분류는 조기 진단 및 환자 관리에 중요합니다. 그러나 기존 딥러닝 기법은 대규모 주석 데이터셋과 높은 연산 자원을 요구하며, 해석 가능성이 부족하다는 한계가 있습니다. 본 연구는 DenseNet169와 MobileNetV2 두 가지 전이 학습 기반 딥 CNN 모델을 활용한 다중 클래스 폐암 분류를 위한 설명 가능한 하이브리드 앙상블 프레임워크를 제안합니다. 여러 앙상블 기법을 통해 각 모델의 클래스 확률 출력을 결합하고, 예측에 기여하는 이미지 영역을 시각적으로 설명하기 위해 Grad-CAM을 적용했습니다. 제안된 프레임워크는 양성, 악성, 정상, 비소세포폐암 범주를 포함하는 두 가지 공개 흉부 CT 데이터셋(Chest CT, IQ-OTH/NCCD)으로 평가되었습니다. Random Forest 스태커는 Chest CT 데이터셋에서 99.50%, IQ-OTH/NCCD 데이터셋에서 99.54%의 정확도를 달성했습니다. 이는 DenseNet169와 MobileNetV2의 상호 보완적인 확률 출력이 다양한 데이터셋 및 클래스 구조에서 효과적인 의사결정 융합 방법으로 활용될 수 있음을 보여줍니다. 또한, Grad-CAM 기법은 예측에 영향을 미친 이미지 영역을 명확히 식별하여 모델 예측의 투명성을 높였습니다. 본 프레임워크는 자동화된 폐암 분류를 위한 실용적이고 이해하기 쉬운 방법을 제시하며, 향후 의료 영상 분야에서 견고하고 설명 가능하며 임상적으로 유의미한 컴퓨터 보조 진단 시스템 개발에 중요한 지침이 될 것입니다.