Academic Graduation Presentation Guide

발표 구성안

주제: 흉부 X-ray 영상 기반 딥러닝 폐렴 진단 보조 시스템
대상: 컴퓨터공학과 4학년 졸업발표
발표 시간: 15분 / 총 12장

1. 표지 — 30초

• 연구 제목
• 이름, 학과, 지도교수
• 핵심 메시지: “흉부 X-ray 영상 분석을 통해 폐렴 진단을 보조하는 딥러닝 시스템을 제안한다.”

---

2. 연구 배경 및 필요성 — 1분

• 폐렴은 조기 진단과 신속한 치료가 중요함
• 흉부 X-ray는 널리 사용되지만 판독에 전문성과 시간이 필요함
• 딥러닝을 활용하면 의료진의 판독을 보조할 가능성이 있음

시각 자료: 정상 X-ray와 폐렴 X-ray 비교 이미지
주의: 실제 환자 이미지 사용 시 익명화 및 출처 표기

---

3. 연구 목적 및 문제 정의 — 1분

• 입력: 흉부 X-ray 영상
• 출력: 정상/폐렴 분류 결과
• 목표: 폐렴 진단을 보조할 수 있는 분류 모델 개발
• 연구 질문: “딥러닝 모델이 흉부 X-ray에서 폐렴 특징을 효과적으로 학습할 수 있는가?”

---

4. 관련 연구 및 차별점 — 1분 20초

• 기존 연구: CNN 기반 의료 영상 분류
• 전이학습을 활용한 영상 진단 모델
• 기존 시스템의 한계: 데이터 편향, 설명 가능성 부족, 실제 임상 적용의 어려움
• 본 연구의 차별점:
  • 흉부 X-ray 데이터에 특화된 전처리
  • 딥러닝 기반 자동 분류
  • 진단 보조 시스템 형태로 결과 제공

문헌은 3~5편 정도만 선정하고, 각 연구의 방법과 한계를 간단히 비교합니다.

---

5. 시스템 전체 구조 — 1분

다음 흐름을 도식화합니다.

흉부 X-ray 입력
      ↓
전처리 및 크기 조정
      ↓
딥러닝 분류 모델
      ↓
정상/폐렴 예측
      ↓
예측 확률 및 결과 표시

• 시스템의 입력과 출력
• 사용한 모델과 구현 환경
• 본 연구가 “진단”이 아니라 “진단 보조” 시스템임을 명확히 설명

---

6. 데이터셋 및 전처리 — 1분 20초

• 데이터 출처 및 전체 이미지 수
• 정상/폐렴 클래스 구성
• 학습·검증·테스트 데이터 분할 비율
• 이미지 크기 조정 및 정규화
• 데이터 증강 적용 여부

반드시 설명할 내용:

• 테스트 데이터가 학습 과정에 포함되지 않았는지
• 클래스 불균형이 존재하는지
• 데이터 출처의 한계와 개인정보 보호 여부

---

7. 딥러닝 모델 및 학습 방법 — 1분 30초

• 사용한 모델 구조: 예시로 CNN 또는 전이학습 모델
• 주요 층과 분류 방식
• 손실 함수와 최적화 알고리즘
• 학습 epoch, batch size, learning rate
• 과적합 방지 방법: Dropout, Data Augmentation, Early Stopping 등

복잡한 네트워크 구조 전체를 나열하기보다, 핵심 구조만 보여주는 것이 좋습니다.

---

8. 구현 및 시스템 화면 — 1분

• 사용 기술: Python, PyTorch 또는 TensorFlow 등
• 이미지 입력 화면
• 예측 결과 화면
• 예측 클래스와 확률 표시 방식

화면 예시에는 다음 정보를 포함할 수 있습니다.

예측 결과: 폐렴 의심
예측 확률: 92.3%
주의: 본 결과는 의료진의 판단을 대체하지 않습니다.

단, 92.3%가 전체 정확도인지 개별 이미지의 예측 확률인지 구분해야 합니다.

---

9. 실험 설정 및 평가 지표 — 1분

• 테스트 데이터 구성
• 비교 모델 또는 기준 모델
• 평가 지표:
  • Accuracy
  • Precision
  • Recall
  • F1-score
  • Confusion Matrix
  • 가능하다면 ROC-AUC

정확도만 제시하면 의료 영상 분류의 성능을 충분히 설명하기 어렵습니다. 특히 폐렴을 놓치는 문제가 중요하므로 Recall 또는 민감도를 함께 제시하는 것이 좋습니다.

---

10. 실험 결과 — 2분

핵심 결과:

• 정확도: 92.3%
• 가능하면 다음 결과도 함께 제시:
  • Precision
  • Recall
  • F1-score
  • ROC-AUC
  • Confusion Matrix

발표 예시:

테스트 데이터에서 모델은 92.3%의 정확도를 보였습니다. 이는 전체 분류 사례 중 약 92.3%를 올바르게 분류했다는 의미입니다. 다만 의료 진단 보조 시스템에서는 정확도만으로 충분하지 않으므로, 폐렴 환자를 얼마나 놓치지 않았는지를 나타내는 Recall과 오분류 사례도 함께 고려해야 합니다.

결과 그래프는 표보다 막대그래프와 혼동행렬을 활용하면 이해가 쉽습니다.

---

11. 한계점 및 개선 방향 — 1분 30초

반드시 솔직하게 제시할 한계점:

• 데이터셋 규모와 다양성이 제한적임
• 특정 기관 또는 특정 장비의 영상에 편향될 가능성
• 실제 임상 환경에서의 검증 부족
• 폐렴 외 질환과의 구분이 충분하지 않을 수 있음
• 딥러닝의 판단 근거를 설명하기 어려움
• 정확도만으로 임상적 유용성을 판단하기 어려움

개선 방향:

• 다기관·다장비 데이터로 외부 검증
• Grad-CAM 등을 활용한 설명 가능성 제공
• 질환을 정상/폐렴 이외의 다중 클래스로 확장
• 민감도와 특이도를 고려한 임계값 조정
• 의료진 평가 및 실제 임상 환경 실험

한계점을 숨기기보다, 연구의 신뢰성을 높이는 요소로 활용하는 것이 좋습니다.

---

12. 결론 및 질의응답 — 1분 50초

결론은 세 문장으로 정리합니다.

1. 흉부 X-ray 기반 폐렴 분류를 위한 딥러닝 보조 시스템을 구현했다.
2. 테스트 결과 정확도 92.3%를 달성했다.
3. 데이터 편향과 임상 검증 부족이라는 한계가 있으며, 향후 외부 검증과 설명 가능성 개선이 필요하다.

마지막 문장:

본 시스템은 의료진을 대체하는 것이 아니라, 흉부 X-ray 판독 과정에서 참고 정보를 제공하는 진단 보조 도구를 목표로 합니다. 감사합니다.

슬라이드 디자인 원칙

• 한 슬라이드에 핵심 메시지 하나만 배치
• 본문은 3~5개 항목 이내로 제한
• 문장보다 도식, 이미지, 그래프 중심으로 구성
• 배경은 흰색 또는 짙은 남색 계열로 통일
• 강조 색상은 한 가지로 제한
• 제목 글자 크기 약 30pt 이상, 본문은 20~24pt 권장
• X-ray 이미지는 정상/폐렴을 동일한 크기와 조건으로 비교
• 정확도 92.3%는 큰 숫자로 강조하되, 평가 데이터와 지표를 함께 표기

발표 전달 팁

• 15분 발표이므로 실제 연습은 13분 30초~14분 정도로 준비
• 결과와 한계점에 시간을 충분히 배분
• 슬라이드를 읽지 말고, 슬라이드의 도표를 설명
• 심사위원 3명을 번갈아 보며 발표
• “진단 시스템”이라는 표현보다 “진단 보조 시스템”이라는 표현을 일관되게 사용
• 정확도 92.3%의 의미와 측정 조건을 반드시 명확히 설명
• 질문에 답할 때는 다음 순서를 사용:
  1. 결론부터 답변
  2. 근거 제시
  3. 한계 또는 향후 개선 방향 언급

예상 질문으로는 “데이터셋의 출처와 규모는 무엇인가?”, “정확도 외에 Recall은 얼마인가?”, “실제 병원에서도 사용할 수 있는가?”, “모델이 어떤 부분을 보고 판단했는가?”, “기존 연구와 비교해 어떤 장점이 있는가?”가 있습니다.