△차세대 의료 AI 솔루션이 잇따라 등장했다.  

국내 연구팀이 인공지능(AI)을 활용한 진단 솔루션을 잇따라 개발하며 상용화 기대감을 높이고 있다.

29일 업계에 따르면 국내 연구팀이 암 진단 지표를 제공하는 딥러닝 기술, 눈꺼풀 사진 판독으로 안구건조증 진단 AI 기술, 관절염 진단·치료 도움주는 AI 솔루션을 개발하는데 성공했다.

서울대학교 전기정보공학부 권성훈 교수와 의대 문경철·박정환 교수팀은 최근 암 조직의 이미지를 '암세포 네트워크'로 표현하고 의료진이 해석할 수 있는 형태의 진단 지표를 제공하는 딥러닝 기술을 개발했다.

최근 암 치료 방법으로는 면역 치료제 투여가 주목받고 있는데 면역 치료제는 암 조직 내부의 세포 간 상호작용인 '암 미세환경'에 따라 치료 성공 여부가 결정된다.

이 때문에 최근 의료 현장에서는 암 미세환경 자체가 새로운 암 진단 지표로 활용되고 있다.

하지만 암 미세환경 정보를 의료진이 진단지표로 활용하기 위해선 대량의 데이터에 기반한 검증이 필요하다.

이를 위해 AI 딥러닝 기술이 도입되기도 했지만 지금까지는 AI가 국소적인 암세포의 모양만을 학습·판단할 수 있고 의료진이 현장에서 해석 가능한 데이터를 제공하지 못해 큰 도움이 되지 못했다.

이런 한계를 이번 연구로 극복하게 됐다는 게 연구진의 설명이다.

연구진에 따르면 암 환자의 생존율을 예측하는 AI를 만들어 이를 해석한 결과 암 조직 내 혈관 형성과 암세포·면역 세포 간의 관계가 생존율을 진단하는 지표가 될 수 있음을 입증할 수 있었다.

이 연구에서 개발된 암세포 네트워크 제작 방식과 그래프 딥러닝 기술은 암 조직뿐 아니라 MRI, 엑스선 등 어떤 의료 영상 데이터에도 적용 가능한 획기적인 방식이라는게 연구진의 설명이다.

가톨릭대 여의도성모병원 안과병원 황호식 교수는 광주과학기술원 의생명공학과 정의현 교수와 함께 인공지능(AI)으로 눈꺼풀 마이봄샘 영상을 판독하는 기술을 개발, 정확도를 입증했다.

마이봄선(meibomian gland)은 눈꺼풀에 있는 일종의 피지선으로, 안구 표면에 마이봄이라는 기름을 분비해 눈물의 증발을 막는 역할을 한다. 하지만 이 마이봄선이 막히거나 소실돼 기름이 분비되지 않으면 안구건조증이 생긴다. 마이봄선 기능장애는 안구건조증의 대표적인 원인이다.

연구팀은 여의도성모병원이 보유한 마이봄샘 영상 빅데이터를 활용, 광주과학기술원에서 딥러닝 기술을 적용해 마이봄샘 소실정도를 정량적으로 분석했다.

구체적으로 연구팀은 1000장의 마이봄샘 사진에서 눈꺼풀 영역과 마이봄샘 영역을 표기한 후 두 명의 안구건조증 전문의가 마이봄샘 소실점수를 매겼다. 이중 800장을 광주과학기술원의 딥러닝 모델로 학습시킨 후, 딥러닝과 전문의 판독결과를 비교 분석했다.

이 결과 우선 마이봄샘 소실정도의 검증 정확도에서 ‘딥러닝 모델’과 ‘전문의 판독’은 각각 73.01%, 53.44%로 딥러닝이 우세한 것으로 나타났다.

또 재현성 검증을 위해 고려대학교 안산병원에서 촬영된 600장의 마이봄샘 사진을 딥러닝 모델로 학습한 결과와 안구건조증 전문의들이 마이봄샘 소실을 평가 한 결과를 비교했을 때도 딥러닝 모델이 더 높은 정확도를 보였다.

연구팀은 이 연구가 마이봄샘 영상을 촬영하는 장비의 데이터를 이용해 딥러닝 모델을 만들었기 때문에 바로 의료기기에 적용해 안구건조증 진단과 치료에 응용할 수 있을 것으로 기대했다.

대구경북과학기술원(DGIST) 로봇및기계전자공학과 박상현 교수팀은 최근 암이 존재한다는 데이터만으로 병리영상에서 암의 존재와 부위까지 정확하게 보여줄 수 있는 약지도학습(Weakly supervision) 딥러닝 모델을 개발했다.

기존 딥러닝 모델에서는 암 부위를 특정하기 위해서는 암의 위치가 정확하게 그려진 데이터셋 구축을 필요로 했으나 이번 연구로 개발된 딥러닝 모델로 효율성이 향상돼 해당 연구 분야에 획기적으로 기여할 것으로 보여진다.

일반적으로 암의 위치정보를 나타내는 영역화 문제를 해결하기 위해서는 암 부위가 위치한 곳을 정확하게 표시해주는 작업을 진행해야하기에 오랜 시간이 소요되고 그에 따라 비용이 증가하게 된다.

이러한 문제를 해결하기 위해 '영상 속 암의 존재 유무'와 같은 대략적인 정답만으로도 암 부위를 영역화 하는 약지도학습모델이 활발하게 연구되고 있으나 영상 하나의 크기가 기가바이트에 이르는 거대한 병리영상 데이터셋에 기존의 약지도학습 모델을 적용하면 성능이 크게 저하되는 문제가 발생한다.

이에 따라 병리영상을 패치들로 분할해 활용하는 방안으로 성능을 높이려고 하지만,분할된 패치들은 위치정보와 각 분할자료 간의 상관관계를 잃어버리게 돼 모든 정보를 활용할 수 없다는 한계를 갖게 된다.

이에 연구팀은 슬라이드 단위의 암 유무 표시를 가진 학습데이터만으로 암 위치까지 정확히 분할해낼 수 있는 기법을 발견했다.

먼저 비지도 대조 학습(Unsupervised contrastive learning)을 통해 패치들로부터 유의미한 특징들을 효과적으로 추출하도록 네트워크를 학습시키고 이를 이용해 각 위치정보를 유지하면서 주요 특징들을 검출하게 해 패치들 간 상관관계를 유지한 채 영상의 크기를 줄이는 병리영상 압축 기술을 개발했다.

이후 압축된 병리영상으로부터 클래스 활성 지도(Class activation map)를 활용해 암일 확률이 높은 부위를 찾아내고 픽셀 상관관계 모듈(Pixel correlation module, PCM)을 이용해 전체 병리영상 내에서 암일 확률이 높은 부분들을 모두 영역화 해낼 수 있는 모델을 개발했다.

새롭게 개발한 딥러닝 모델은 암 영역화 문제에서 슬라이드 단위의 암 유무 레이블을 가진 학습데이터만으로 최대 81 ~ 84의 Dice similarity coefficient(DSC) 점수를 보였으며 기존에 제안된 패치단위 기법들이나 다른 약지도학습 기법들의 성능(DSC 점수: 20~70)을 크게 웃돌았다.

연구팀은 이번 연구를 통해 개발한 모델이 병리영상의 약지도학습 영역화 성능을 크게 개선시켜 병리영상 분석이 필요한 다양한 연구들의 효율성 향상에 기여할 수 있을 것으로 기대했다.