폐암 종양의 정확한 병기 결정은 예후와 치료 계획에 중요하지만, 기존의 end-to-end 딥러닝 방식은 종양-림프절-전이 시스템의 핵심인 공간적, 해부학적 정보를 간과하는 경향이 있다. 본 논문에서는 순수한 이미지 분류 작업으로 취급하지 않고, 종양의 크기와 인접 구조와의 거리를 명시적으로 측정하여 병기를 결정하는 의학적 기반의 하이브리드 파이프라인을 제안한다. 특수 인코더-디코더 네트워크를 사용하여 폐, 엽, 종양, 종격동, 횡격막 등 인접 해부학적 구조를 정밀하게 분할하고, 분할 마스크의 정량적 분석을 통해 종양의 최대 크기를 측정하고 인접 해부학적 구조와의 거리를 계산한다. 최종적으로, 의료 지침에 맞춰 규칙 기반의 종양 병기를 적용한다. Lung-PET-CT-Dx 데이터셋에서 평가한 결과, 기존 딥러닝 모델보다 우수한 91.36%의 전체 분류 정확도를 달성했으며, T1 (0.93), T2 (0.89), T3 (0.96), T4 (0.90)의 단계별 F1-스코어를 보고했다. 이는 명확한 임상적 맥락을 종양 병기 분류에 내장한 최초의 연구이며, 해석 불가능한 "블랙 박스" 방식으로 작동하는 기존의 CNN과 달리, 본 방법은 최고 수준의 성능과 투명한 의사 결정 지원을 제공한다.
