본 연구는 심장병 환자 증가 추세와 병리학자 부족 문제를 해결하기 위해 심근병증 진단에 기계 학습(ML)을 적용하는 연구이다. 소량의 심내막 생검 표본을 사용하는 상황에서, 특징 추출 및 차원 축소 기법의 효용성을 평가하고자 텍스처 특징을 이용한 심근병증 병리 진단의 가능성을 확인하였다. 여러 ML 모델에 특징 선택(FS)과 차원 압축(DC)을 적용하여 일반화 성능 향상에 기여하는 모델 설계를 검토하였다. 텍스처 특징을 기반으로 클래스 간 분포 차이를 시각화하고 통계적 가설 검정을 수행하여 결과를 검증하였으며, FS와 DC의 조합에 따른 다양한 모델 설계의 예측 성능을 평가하였다. 결과적으로 텍스처 특징이 심근병증 병리 진단에 효과적이며, 특징 수 대 표본 크기 비율이 높을 때 FS와 DC를 포함하는 다단계 과정이 일반화 성능을 향상시키는 것을 확인하였다. 선형 커널 서포트 벡터 머신이 가장 좋은 결과를 보였고, 이 과정은 결정 경계의 형태에 관계없이 복잡성이 감소된 모델에서 효과적임을 보였다. 이 연구 결과는 심근병증 진단 모델 개발 및 의료 현장 적용을 위한 토대를 제공할 것으로 기대된다.
