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

7일 업계에 따르면 국내 연구진이 직장암 항암 방사선치료 반응, 수술 후 흉터 중증도, 미숙아 '발관' 성공 여부 등을 예측할 수 있는 AI기술을 잇따라 개발했다.

한국원자력의학원 우상근·신의섭·김병일 박사팀은 최근 국소 진행형 직장암 환자가 수술 전 항암 방사선치료를 했을 때 종양이 사라질지 예측할 수 있는 기계학습 모델을 개발했다.

암세포가 직장 내에서만 자라는 국소 진행성 직장암은 종양 크기를 최대한 줄여 재발을 막고 항문을 보존하기 위해 수술 전 항암 치료와 방사선 치료를 병행한다.

이 치료만으로도 암세포가 완전히 사멸되는 상태인 완전관해를 보이는 경우가 있어 직장암 수술을 꼭 하지 않아도 되는 환자를 사전에 선별하면 치료 계획 수립에 도움이 된다고 연구팀은 설명했다.

이에 연구팀은 국소 진행성 직장암 환자 156명을 대상으로 양전자방출단층촬영(PET) 영상 데이터를 학습한 AI 모델을 개발했다.

이를 이용해 수술 전 항암 방사선 치료 후 완전관해를 예측한 결과 예측 정확도는 76%로 나타났다.

여기에 부천순천향병원 환자의 영상 데이터와 치료 결과를 학습시키자 예측 정확도가 87.5%로 올랐다고 연구팀은 설명했다.

연구팀인 이번 연구성과가 난치성 직장암 환자의 맞춤형 치료법 개발에 도움이 될 것으로 기대했다.

연세대학교 용인세브란스병원 피부과 김제민‧김지희 교수는 세브란스병원 피부과 이주희 교수와 함께 인공지능(AI) 기반 흉터 중증도 예측 모델을 개발했다.

연구팀은 흉터의 중증도를 더욱 정확하게 예측할 수 있는 이미지 및 임상 데이터 기반 딥러닝 통합 모델을 제작하기 위해 연구를 수행했다.

연구에는 갑상선 절제술 후 흉터가 있어 세브란스병원 피부과 및 연세암병원 흉터성형레이저센터에 내원한 환자 1283명의 데이터를 활용했다.

흉터의 중증도는 밴쿠버 흉터 점수(VSS)와 흉터 전문 피부과 전문의 3명의 임상적 판단을 기반으로 분류했다.

연구에 활용한 데이터는 주 데이터셋(Main Dataset), 주 데이터셋과 시공간적으로 분리된 외부 테스트셋으로 분류된다.

흉터 중증도를 분류하는 인공지능 모델은 주 데이터셋에서 분할한 내부 테스트셋 및 외부 테스트셋을 통해 검증했다. 또 16명의 피부과 의사에게 내부 테스트셋의 흉터 이미지를 제공하고 중증도를 평가한 뒤 인공지능 모델과 성능을 비교했다.

연구 결과 내부 테스트셋을 활용한 이미지 기반 모델의 수신기 작동 특성 곡선(ROC) 아래 영역은 0.931이고 이 값을 임상 데이터와 결합했을 때는 0.938로 소폭 증가했다.

외부 테스트셋을 활용한 이미지 및 임상 데이터 결합 예측 모델의 ROC 아래 영역은 각각 0.896, 0.912였다.

또 내부 테스트셋 이미지를 기반으로 평가한 모델의 성능은 피부과 의사 16명의 평가 결과와 비교해 유사한 결과를 나타냈다.

이는 이미지와 임상 데이터로부터 도출된 인공지능 모델이 수술 후 흉터 중증도를 효과적으로 예측할 수 있다는 것을 의미한다.

연구팀은 이번 연구를 통해 개발된 인공지능 모델은 흉터 진단의 정확도를 크게 향상해 임상 환경에서 객관적이고 신뢰도 높은 의사 결정을 내리는 데 도움을 줄 것으로 기대했다.

분당서울대병원 고위험산모신생아통합치료센터 정영화·최창원 교수팀은 최근 디지털헬스케어연구사업부 유수영 교수팀과 함께 기도 삽관 후 인공호흡기를 사용하는 미숙아의 발관 성공률을 평가하는 모델을 개발했다.

미숙아들은 출생 후 호흡기가 제대로 기능하지 못해 호흡곤란이나 무호흡 등이 발생하는 경우가 많고 출산 시기가 이를수록 이러한 위험에 노출될 가능성이 높아진다. 이때는 정상적으로 자가 호흡이 가능할 때까지 기도 삽관 후 인공호흡기를 사용하게 된다.

이러한 인공호흡기는 가능하다면 최소한의 기간만 사용하고 발관(제거)하는 것이 좋다.

인공호흡기를 통해 숨을 쉬는 기간이 필요 이상으로 길어질수록 폐가 정상적으로 성장하지 못할 가능성이 높아지기 때문이다.

실제로 장기간의 기도 삽관 및 인공호흡기 사용은 미숙아의 기관지폐이형성증 위험을 높이고, 신경 발달도 지연시키는 것으로 알려져 있다.

반대로 발관이 너무 이르게 이뤄질 경우 저산소증과 고이산화탄소혈증이 발생해 뇌에 안 좋은 영향을 끼칠 수 있고 마찬가지로 기관지폐이형성증의 발생 위험이 증가할 수 있다. 너무 늦지도, 이르지도 않은 최적의 발관 시점을 정해야 한다는 의미다.

그러나 현재는 이에 대해 명확히 합의된 지침이 없어 주치의의 판단에 의존하고 있는데 1000g 미만의 미숙아에서 발관 후 이를 유지하는 데 성공할 확률은 평균 60~73% 수준으로 보고되고 있다.

이에 연구팀은 2003년~2019년 분당서울대병원에서 태어난 32주 미만의 미숙아 중 기도 삽관 후 침습적 인공호흡기를 사용한 678명의 데이터를 활용, 심장박동·호흡 등의 생체 신호를 분석해 발관 성공 여부를 예측하는 기계학습 알고리즘을 개발했다.

'NExt-Predictor'라는 명칭의 이 발관성공 예측모델은 정확도를 나타내는 곡선하면적(AUC) 0.805, 정밀도(precision)는 0.917 수준으로 매우 뛰어난 예측이 가능하다.

이러한 예측성능은 미국의 MIMMIC-III 데이터를 기반으로 분석했을 때도 안정적으로 유지됐으며 기본적인 생체 신호만을 사용하기 때문에 별도의 장비가 필요하지 않은 장점도 있다.

연구팀은 인공호흡기를 쓰는 미숙아는 빨라도, 늦어도 안 되는 최적의 시점에 인공호흡기를 떼는 것이 중요하지만 이에 대한 정확한 기준을 마련하는 데 어려움이 있었던 만큼 발관 성공 가능성을 예측해주는 인공지능이 의료 현장에서 큰 도움이 될 것으로 내다봤다.