유방 촬영술 (Mammography)에서 분류 성능을 향상시키는 것은 소규모의 정제된 데이터셋과 대규모 임상 코호트 모두에서 지속적인 과제로 남아 있습니다. 전통적인 전이 학습 (Transfer Learning) 접근 방식은 데이터셋 특유의 특성을 간과하는 경우가 많으며, 최근의 이웃 정보 기반 (neighborhood-informed) 방법들은 경직된 공식화로 인해 좁은 작업 범위에 국한되어 인구 수준의 데이터셋으로의 확장성이 제한되었습니다. 이러한 문제를 해결하기 위해, 우리는 데이터셋에서 유도된 난이도 신호 (difficulty signals)를 이웃 기반 트리플렛 감독 (neighborhood-based triplet supervision)과 통합된 목적 함수 내에 결합하는 데이터셋 정보 기반 전이 학습 (Dataset-Informed Transfer Learning, DITL) 프레임워크를 제안합니다. DITL은 두 가지 적응형 구성 요소를 도입합니다: (i) 자기 지도 학습 (self-supervised) 특징 공간에서의 k-최근접 이웃 (k-nearest neighbor) 라벨 순도에 따라 샘플별 가중치를 할당하는 적응형 난이도 가중 교차 엔트로피 (Adaptive Difficulty-Weighted Cross-Entropy, A-DWCE), 그리고 (ii) 학습 가능한 마진 (learnable margin)을 사용하여 클래스 내 응집도와 클래스 간 분리도를 강제하는 적응형 이웃 표현 트리플렛 (Adaptive Neighborhood Representation Triplet, A-NR-Triplet)입니다. Focal Loss와 달리, DITL은 하이퍼파라미터 튜닝이 필요하지 않고, 휴리스틱 가중치 및 고정된 마진을 제거하며, 무시할 수 있는 수준의 계산 오버헤드만을 발생시켜 견고하고 확장 가능한 최적화 전략을 제공합니다. 대규모 VinDR-Mammo 데이터셋에서 DITL은 전체 이미지 유방 밀도 분류 (breast density classification)에 대해 최첨단 (state-of-the-art) 성능을 달성하였으며, 정확도 (accuracy), F1-score, 그리고 AUC 측면에서 유의미한 향상 (p < 0.0001)을 보였습니다. 대규모 코호트를 넘어, DITL은 소규모 관심 영역 (ROI) 데이터셋에서도 일관되고 통계적으로 유의미한 이득 (p < 0.0001)을 제공합니다. 소규모 병변 분석과 대규모 밀도 추정을 연결함으로써, DITL은 유방암 선별 검사에서 진단에 이르는 전체 스펙트럼을 아우르는 임상적으로 관련성이 높고 확장 가능하며 일반화 가능한 유방 촬영술 분류 프레임워크를 구축합니다.