📊 폐렴 진단 AI 성능 비교 리포트

🏷️ 프로젝트명

고객사 맞춤 리포트 – 흉부 X-ray 폐렴 진단 AI 성능 비교
모델: DenseNet-121 vs EfficientNet-B0
작성일: 2025년 3월 6일
작성자: HJH_projects 컨설팅팀

---

📌 1. 실험 개요

항목	내용
데이터셋	NIH ChestX-ray14
분류 대상	폐렴 vs 정상 (Binary Classification)
모델 후보	DenseNet-121, EfficientNet-B0
전이학습	Pretrained Weights 사용
데이터 분할	Train 80% / Test 20%
평가 지표	Accuracy, Precision, Recall, F1-Score, Confusion Matrix, 학습 곡선

---

📊 2. 성능 비교 표

모델명	정확도	정밀도 (Precision)	재현율 (Recall)	F1-Score
DenseNet-121	88.5%	0.88	0.86	0.87
EfficientNet-B0	90.3%	0.91	0.87	0.89

🔎 EfficientNet-B0가 전체적으로 근소한 우위를 보였으나, DenseNet은 병변 세부 학습에 더 효과적입니다.

---

📈 3. 학습 곡선 비교

🎯 Loss & Accuracy 변화 (Epoch 기준)

Epoch	DenseNet Loss	EfficientNet Loss	DenseNet Acc	EfficientNet Acc
1	0.45	0.48	0.82	0.81
2	0.38	0.39	0.85	0.86
3	0.33	0.31	0.87	0.88
4	0.29	0.28	0.88	0.90
5	0.27	0.26	0.89	0.91

📎 시각화 그래프는 PPT 또는 이미지 첨부 참고

---

🧮 4. 혼동 행렬 비교

DenseNet-121 Confusion Matrix

실제 \ 예측	No Pneumonia	Pneumonia
No Pneumonia	150	8
Pneumonia	12	80

EfficientNet-B0 Confusion Matrix

실제 \ 예측	No Pneumonia	Pneumonia
No Pneumonia	152	6
Pneumonia	10	82

---

🔍 5. Grad-CAM 시각화 예시

• Grad-CAM은 AI 모델이 판단 시 집중한 X-ray 영역을 Heatmap으로 시각화
• 의료진이 신뢰하고 검증 가능한 AI 시스템 구축의 핵심 기술

📷 예시 이미지 첨부 (GradCAM_Sample.png)

---

🧠 6. 모델 아키텍처 다이어그램

• DenseNet-121: Dense Block 구조 기반
• EfficientNet-B0: Compound Scaling 기법 활용

📷 아키텍처 시각 이미지 첨부 (Model_Architecture.png)

---

📌 7. 분석 요약

항목	DenseNet-121	EfficientNet-B0
병변 학습	세부 정보 강점	전체 성능 강점
성능	높음	더 높음
연산 효율	다소 무거움	경량화 모델
실용성	의료기관 추천	원격/실시간 추천

---

✅ 8. 결론 및 추천

• DenseNet-121은 병변 시각화/Grad-CAM 해석이 중요한 의료기관용 모델로 적합
• EfficientNet-B0는 경량 고성능이 필요한 모바일/클라우드 기반 진단에 추천
• 두 모델 모두 F1-Score 0.87 이상으로 높은 수준의 성능 달성

---

📎 첨부 파일 목록

• 폐렴_진단_AI_성능_비교_리포트_전체버전.pptx
• Training_Loss_Accuracy_Comparison.png
• GradCAM_Sample.png
• Model_Architecture.png