본 논문은 HAM10000 데이터셋을 사용하여 전이 학습과 불확실성 정량화(UQ)를 적용한 심층 학습(DL) 기반 피부 병변 분류에 대한 포괄적인 평가를 제시합니다. CLIP 변형, ResNet50, DenseNet121, VGG16, EfficientNet-V2-Large 등 여러 사전 훈련된 특징 추출기를 SVM, XGBoost, 로지스틱 회귀와 같은 전통적인 분류기와 결합하여 벤치마킹했습니다. 다양한 PCA 설정(64, 128, 256, 512)을 탐색했으며, LAION CLIP ViT-H/14 및 ViT-L/14를 PCA-256과 함께 사용했을 때 가장 우수한 기준 성능을 달성했습니다. UQ 단계에서는 Monte Carlo Dropout(MCD), Ensemble, Ensemble Monte Carlo Dropout(EMCD)를 적용하고 불확실성 인식 지표(UAcc, USen, USpe, UPre)를 사용하여 평가했습니다. PCA-256을 사용한 앙상블 방법이 정확성과 신뢰성 간의 최상의 균형을 제공했습니다. 최고 성능의 추출기의 특징 융합을 통해 추가적인 개선을 얻었습니다. 마지막으로 예측 엔트로피(PE) 손실 함수로 훈련된 특징 융합 기반 모델을 제안하여 표준 및 불확실성 인식 평가 모두에서 이전 모든 구성보다 우수한 성능을 달성하여 신뢰할 수 있는 DL 기반 피부암 진단을 발전시켰습니다.
