Apple Silicon 기반 Transfer Learning을 통한 폐렴 진단 AI 구현 (Accuracy 96%, AUC-ROC 0.99)

Context

소비자용 하드웨어 제약 환경에서 고정밀 의료 영상 진단 시스템 구축 시도. 데이터셋 내 Class Imbalance 문제로 인한 모델의 편향된 학습 가능성과 의료 AI 특유의 Black Box 문제 해결이 핵심 과제임.

Technical Solution

• Class Imbalance 해결을 위해 WeightedRandomSampler 및 Loss Function 내 Class Weights를 적용한 데이터 샘플링 최적화
• ResNet-18 기반 Transfer Learning을 채택하여 기초 시각 특징 추출 능력을 확보한 뒤 도메인 특화 학습 진행
• Epoch 1-5 구간의 레이어 Freeze를 통한 기반 지식 보존 및 이후 Low Learning Rate 기반의 Full Fine-tuning 전략 수행
• Grad-CAM 구현을 통한 모델의 의사결정 근거 시각화로 예측 결과의 의학적 타당성 검증
• Apple Metal Performance Shaders(MPS) 가속을 활용한 로컬 GPU 환경의 학습 파이프라인 구축

Impact

• Test Accuracy 96% 및 AUC-ROC 0.99 달성
• Normal F1 0.94, Pneumonia F1 0.96의 균형 잡힌 정밀도 확보
• MacBook Pro M5 환경에서 약 45분 내 학습 완료

Key Takeaway

의료 데이터와 같은 고위험 도메인에서는 단순 Accuracy보다 Recall과 Explainability(설명 가능성) 중심의 설계가 필수적이며, 적절한 데이터 리샘플링 전략이 모델의 일반화 성능을 결정함.