유방 종양 조직검사 데이터를 활용한 머신러닝 기반분류 알고리즘 비교 연구 = Comparative Study of Machine Learning Algorithms for Breast Tumor Classification Using Digital Biopsy Data

국문 초록 (Abstract)

본 연구는 전체 모델 정확도만을 평가하던 기존 접근과 달리, 알고리즘의 작동 방식과 개별 세포형태학적 특징 간의 상호작용에 초점을 맞추었다는 점을 차별화를 시도하였다. 연구에는 캐글(Kaggle)을 통해 확보한 Wisconsin 유방 종양 데이터세트를 사용하였다. 주요 변수로는 Smoothness, Compactness, Concavity, Concave points, Symmetry, Fractal dimension을 선정하였으며, 의사결정나무(Decision Tree), 신경망(Neural Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘을 이용하였다. 각 알고리즘의 성능은 곡선하면적(Area Under the Curve, AUC), 분류정확도(Classification Accuracy, CA), F1-score, 정밀도(Precision), 재현율(Recall), Matthews 상관계수(MCC)를 통해 평가하였다. 그 결과, Neural Network는 Concave point와 Compactness에서 AUC, F1, 정밀도, 재현율, MCC 모두에서 우수한 성능을 보였으며, Fractal dimension에서도 높은 AUC를 나타냈다. SVM은 Smoothness, Compactness, Concavity, Symmetry, Fractal dimension에서 높은 정확도와 F1, 정밀도, 재현율, MCC를 기록하였다. 특히 Concave point와 Concavity 변수에서 AUC, F1, 정밀도, 재현율, MCC가 모두 높게 나타나, 해당 변수가 유방 종양 분류에 가장 큰 영향을 미치는 요인임을 확인하였다. 또한 변수 특성에 따라 알고리즘의 성능이 상이하게 나타났으며, 데이터의 특성에 맞는 알고리즘 선택이 정확도 향상에 중요함을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study attempted to differentiate itself by focusing on the interaction between the algorithm's operational mechanism and individual cytomorphological features, unlike existing approaches that evaluated only overall model accuracy. The Wisconsin Breast Cancer Dataset from Kaggle was utilized, with six major features: Smoothness, Compactness, Concavity, Concave points, Symmetry, and Fractal Dimension. Four machine learning algorithms - Decision Tree, Neural Network, Random Forest, and Support Vector Machine (SVM) were applied. Performance was evaluated using Area Under the Curve (AUC), Classification Accuracy (CA), F1-score, Precision, Recall, and Matthews Correlation Coefficient (MCC). Results showed that the Neural Network achieved superior performance in AUC, F1-score, Precision, Recall, and MCC for Concave points and Compactness, and also demonstrated strong AUC values for Fractal Dimension. The SVM achieved the highest accuracy, F1-score, Precision, Recall, and MCC for Smoothness, Compactness, Concavity, Symmetry, and Fractal Dimension. Concave points and Concavity showed the strongest correlation with tumor malignancy, indicating their importance in breast tumor classification. The findings highlight that algorithm performance varies depending on the characteristics of input variables, emphasizing the need for selecting algorithms tailored to specific data properties to enhance diagnostic accuracy.