본 논문은 심층 학습 기법을 활용하여 미숙아 망막증(ROP) 진단을 심층적으로 연구한다. CNN 기반 접근 방식을 정밀하고 효율적인 ROP 감지에 맞춰 개발 및 평가하고, 모델 효과, 계산 비용 분석, 시간 복잡성 평가를 포함한 연구 목표에 따라 데이터 세트 큐레이션, 전처리 전략, 모델 아키텍처의 복잡성을 탐구한다. 맞춤형 CNN 모델이 사전 훈련된 모델보다 정확도와 F1 점수가 더 높다는 것을 보여준다. 투표 시스템 구현은 성능을 더욱 향상시킨다. 또한, 제안된 맞춤형 CNN 모델이 딥 뉴럴 네트워크와 관련된 계산 부담을 줄일 수 있음을 보여준다. 마지막으로, 전용 소프트웨어 및 하드웨어 구성에서 이러한 모델의 배포 가능성을 보여주며, 임상 환경에서 유용한 진단 보조 장치로서의 유용성을 강조한다.
