국내에서 인공지능(AI)을 활용한 질병 예측과 치료 기술이 잇따라 개발돼 의료기기 상용화 기대감을 높이고 있다.

30일 업계에 따르면 국내 연구진이 비소세포폐암 환자 예후 예측, 치매 등 뇌 질환 치료, 고관절 재골절 위험 예측할 수 있는 AI기술을 잇따라 개발했다.
 
서울대병원 영상의학과 김형진 교수와 심장혈관흉부외과 나권중 교수팀은 최근 수술 전 전산화단층촬영술과 임상 및 영상 정보를 활용한 딥러닝 모델을 개발하고 비소세포폐암 구역절제술을 받은 환자를 대상으로 예후를 우수한 민감도로 예측해냈다.

연구팀은 임상 1A기 비소세포폐암으로 구역절제술을 받은 환자들의 예후 및 위험도를 계층화하기 위해 수술 전 CT 스캔과 임상 및 방사선 정보를 활용한 딥러닝 모델을 개발했다.

연구팀은 2008년 1월~2017년 3월 서울대병원에서 신보조요법 없이 폐엽절제술을 받은 1756명의 원발성 비소세포폐암 환자를 대상으로 모델을 사전 훈련시킨 후 임상 1A 환자만을 대상으로 전이 훈련을 실시했다.

모델 훈련 이후 연구팀은 구역절제술 시행군의 예후를 파악하기 위해 2010년 1월~2017년 12월 구역절제술을 받은 222명을 대상으로 각각 2년, 4년 무재발 생존율과 4년, 6년의 폐암 특이 생존율 및 전체 생존율을 분석했다.

분석 결과 구역절제술 후 2년 무재발 생존율에 대한 이 모델의 성능은 AUC 0.86, 민감도 87.4%, 특이도 66.7%로 나타났다.

이는 예측 모델이 구역절제술 후 2년 내 주로 발생하는 재발을 87.4%의 민감도로 진단해냈다는 것을 의미한다고 연구팀은 설명했다.

이러한 수치는 기존에 일본 임상 종양학 그룹(JCOG)에서 제시했던 구역절제술 대상자 선정 기준의 민감도(37.6%)보다 더 높았으며, 특이도는 비슷한 수준이었다.

이번 연구 결과는 예측 모델이 구역절제술을 받은 임상 1A기 비소세포폐암 환자 중 재발에 취약한 고위험군을 식별해 세밀한 치료 계획을 세우는 데 도움이 될 수 있다는 것을 의미한다고 연구팀은 설명했다.

연세대학교 수학계산학부 계산과학공학 윤경호 교수팀은 최근 하버드의대와 공동연구를 통해 경두개 집속초음파(tFUS)를 이용한 뇌 자극 치료 시 기기 사용자에게 체내 초음파 전달 상황을 신속하게 보여주는 인공지능 기술을 개발했다.

경두개 집속초음파는 뇌의 특정 영역에 초음파를 집중시키는 방식으로 자극을 가한다. 이러한 방식은 치매, 뇌암, 간질, 파킨슨병 등 다양한 뇌 질환의 비침습적 치료를 가능하게 해 뇌 자극 치료 분야에서 큰 주목을 받고있다.

그러나 두개골을 넘어 뇌 내부로 초음파를 전달하는 과정에서 반사, 굴절 등의 큰 왜곡이 발생해 의도하지 않은 뇌 영역을 자극하게 되는 의료사고가 발생할 수 있다.

이러한 이유로 집속초음파의 전달 상황을 모니터링하는 것은 매우 중요하다.

연구팀은 tFUSFormer라는 새로운 초해상도(SR) 트랜스포머 모델을 개발했다.

이 모델은 초음파에 의해 생성된 두개골 내부 압력장을 정밀하게 시각화해 집속초음파의 전달 상황을 실시간으로 보여준다.

연구 결과에 따르면, tFUSFormer는 학습에 사용된 두개골 CT 데이터 조건에서 약 91%의 초음파 초점 영역의 위치를 정확하게 예측할 수 있었으며 새로운 데이터 조건에서도 약 87%의 높은 정확도를 보였다.

이번 연구는 경두개 초음파 전달 현상을 수리 모델링과 계산과학 기술을 통해 인공지능 모델에 학습시킨 독창적인 연구로 평가받는다.

연구팀은 집속초음파 치료를 넘어 환자 맞춤형 정밀 치료를 위한 스마트 의료 시스템 개발의 초석이 될 것으로 예상했다.

서울대병원 융합의학과 김영곤 교수팀은 최근 분당서울대병원 내분비대사내과 공성혜 교수팀과 함께 고관절 골절 환자 1480명의 CT 영상을 기반으로 단기 재골절 위험 예측 모델을 개발하고 정확도를 검증했다.

연구팀은 단기 재골절 위험도 예측 모델을 개발하기 위해 근육과 뼈의 조성 상태를 파악할 수 있는 '고관절 CT 영상'에 주목했다.

연구팀은 2004년 1월~2020년 12월 골절로 내원한 1012명의 고관절 CT 영상을 재구성하여 정면·측면·횡단면 영상을 생성했다.

이후 각 영상의 특징을 추출한 뒤, 이를 조합해 산출한 재골절 위험 자유도(재골절이 발생하지 않을 확률)를 생존곡선 형태로 표현하는 앙상블 딥러닝 모델을 설계했다.

또 전체 환자를 분석해 CT 촬영 후 경과한 시점별로 '기준값'을 설정했다.

이 기준값보다 위험 자유도가 낮아지면 재골절 발생 가능성이 높아진다. 따라서 기준값 곡선과 환자의 생존곡선을 비교하여 생존곡선이 기준값 곡선보다 낮아지는 시점을 재골절 발생 시점으로 예측할 수 있다.

추가로 고관절 골절 환자 468명을 대상으로 성능을 테스트한 결과 단기 재골절을 예측하는 앙상블 딥러닝 모델의 예측 정확도(AUROC)는 약 0.74로 높았다.(2년·3년·5년내 재골절 예측 정확도 각각 0.74, 0.74, 0.73)

AUROC는 1에 가까울수록 우수한 예측 성능을 나타낸다.

이는 임상정보 및 골밀도에 기반한 기존 FRAX 예측 도구보다 뛰어난 성능이었다. FRAX의 2년·3년·5년내 재골절 예측 정확도는 각각 0.58, 0.64, 0.70였다.

이 결과를 바탕으로 연구팀은 CT 기반 딥러닝 예측 모델이 5년 미만의 단기 재골절 위험도를 정확히 예측할 수 있다고 주장했으며 이는 고관절 골절을 경험한 환자들의 관리 및 치료전략 수립에 활용될 수 있을 것이라고 설명했다.

연구팀은 이번에 개발한 딥러닝 모델을 활용하면 재골절 고위험군을 적극적으로 식별하는 데 도움이 될 것으로 기대했다.