LOOCV를 이용한 트랜스포머(Transformer) 기반 박테리아 라만 스펙트럼 분류

최근 트랜스포머(Transformer) 기반 모델이 라만 스펙트럼(Raman spectral) 분류 분야에서 점점 더 많은 관심을 끌고 있습니다. 본 연구에서는 중첩된 Leave-one-replicate-out 교차 검증(LOOCV) 프레임워크를 사용하여 트랜스포머 기반 접근 방식을 체계적으로 평가하였으며, 이를 PCA 또는 ICA를 LDA, SVM 및 랜덤 포레스트(Random Forest) 분류기와 결합한 전통적인 머신러닝(Machine-learning) 파이프라인과 비교하였습니다. 6종의 박테리아 종과 9개의 독립적인 측정 반복 실험으로부터 얻은 5,417개의 단일 세포 스펙트럼으로 구성된 박테리아 라만 데이터셋이 사용되었습니다. 트랜스포머는 독립적인 테스트 반복 실험 전반에 걸쳐 일관되게 가장 높은 분류 성능을 달성하였으며, 모든 전통적인 접근 방식보다 유의미하게 뛰어난 성능을 보였습니다. 학습된 잠재 특징 공간(Latent feature space)을 분석한 결과, PCA 및 ICA 기반 표현(Representations)과 비교하여 개선된 클래스 분리(Class separation)를 확인하였습니다. 또한, 트랜스포머는 전처리 없이 원시 라만 스펙트럼(Raw Raman spectra)에 직접 적용했을 때도 우수한 성능을 유지하여, 측정 반복 실험 전반에 걸쳐 견고한(Robust) 동작을 입증하였습니다. 이러한 결과는 견고한 라만 스펙트럼 분류를 위한 트랜스포머 기반 모델의 잠재력을 강조하며, 현실적인 모델 평가를 위한 반복 실험 인지 검증(Replicate-aware validation)의 중요성을 강조합니다.