베트남에서 갑상선 FNAB 이미지의 다중 클래스 분류를 위한 심층 학습 시스템을 개발하고 외부 검증하는 것을 목표로 합니다. YOLOv10 기반 세포 클러스터 탐지, 커리큘럼 학습 기반 프로토콜, 경량화된 EfficientNetB0, Transformer 기반 모듈을 활용하여 계산 비용을 최소화하면서 높은 진단 정확도를 달성하고자 하였습니다. 세 가지 주요 범주 (양성(B2), 악성 의심(B5), 악성(B6))로 분류하며, 내부 테스트 세트에서 높은 성능(macro F1 89.19%, AUC 0.98(B2), 0.95(B5), 0.96(B6))을 보였고, 외부 검증에서도 상당히 높은 AUC 값을 달성하였습니다(AUC 0.9495(B2), 0.7436(B5), 0.8396(B6)). Grad-CAM을 통해 모델의 해석 가능성을 확인하였고, 12코어 CPU에서 1000개의 케이스를 30초 만에 처리하는 등 효율성을 입증했습니다.
