딥러닝 (Deep learning)은 의료 영상 분할 (medical image segmentation) 분야에서 놀라운 성능을 달성했지만, 수학적 난해함 (mathematical intractability), 상당한 파라미터 요구량, 그리고 임상적 해석 가능성 (clinical interpretability)의 부족이라는 치명적인 한계를 겪고 있습니다. 우리는 수작업으로 제작된 라디오믹스 (radiomics) 특징을 분할 학습 과정에 직접 통합함으로써 표준 딥러닝을 강화하는 새로운 2-스트림 하이브리드 아키텍처인 RadiomicNet을 제안합니다. 핵심 기여는 Radiomics Attention Gate (RAG)로, 이는 Gray-Level Co-occurrence Matrix (GLCM) 및 Local Binary Pattern (LBP) 특징을 활용하여 경량 MobileNetV2 기반 인코더-디코더 (encoder-decoder)의 스킵 연결 (skip-connection) 어텐션을 조절하며, 사후 근사 (post-hoc approximations) 없이 사전 해석 가능성 (ante-hoc interpretability)을 제공합니다. 새로운 Radiomics Consistency Loss는 질감 복잡도 (texture complexity)와 예측 불확실성 (prediction uncertainty) 사이의 정렬을 더욱 강화하여, 기대 교정 오차 (Expected Calibration Error, ECE)를 0.142에서 0.118로 감소시킵니다. RadiomicNet은 Breast Ultrasound Images (BUSI) 데이터셋에서 0.763 +/- 0.231의 Dice Similarity Coefficient (DSC)를, Kvasir-SEG에서 0.854 +/- 0.112의 DSC를 달성하였으며, 이는 U-KAN보다 각각 1.2% 및 1.8% 더 높은 성능입니다 (p < 0.05, Wilcoxon signed-rank test). 또한 단 3.27M개의 파라미터만을 사용하여 표준 U-Net보다 9.5배, U-KAN보다 4.3배 적은 파라미터를 사용합니다. 그래디언트 기반 특징 중요도 분석 (Gradient-based feature importance analysis) 결과, GLCM dissimilarity (15.24%), GLCM energy (14.56%), 그리고 LBP entropy (11.49%)가 지배적인 라디오믹스 단서임을 밝혀냈으며, 이는 분할 결정에 대해 임상적으로 의미 있는 설명을 제공합니다. 제안된 접근 방식은 도메인 지식에 기반한 컴팩트하고 해석 가능한 모델이 계산 오버헤드를 크게 줄이면서도 최첨단 (state-of-the-art) 분할 성능을 제공할 수 있음을 입증합니다.