△ 신개념 의료 AI가 잇따라 개발되고 있다.

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

5일 의료계 등에 따르면 국내 연구진이 수술 중 생체신호 분석해 급성 신손상 위험 예측, 담관암 세포 진단, 소수 유형 대장 용종 정밀 분류 AI 솔루션을 개발하는데 성공했다.

서울대병원 신장내과 이하정·박세훈 교수팀과 융합의학과 김광수 교수팀은 최근 서울대병원·분당서울대병원·보라매병원의 대규모 수술 데이터를 활용해 급성 신손상 발생 위험을 예측하는 AI 모델을 개발했다.

급성 신손상은 암 수술 등 여러 종류의 수술 이후 신장(콩팥) 세포가 손상돼 기능이 급격히 악화하는 질환을 가리킨다. 수술 회복을 늦추고 투석과 사망 위험을 높일 수 있어 집중 모니터링과 조기 치료가 중요하다.

연구팀 개발한 모델은 수술 중 실시간으로 측정되는 혈압, 심박수 등 생체신호를 딥러닝 기술로 분석해 신장 손상 위험도를 조기에 경고한다.

기존 모델은 대부분 수술 전 기초 정보를 토대로 위험을 예측했는데 이번에 새로 개발된 모델은 수술 중인 환자의 상태 변화를 실시간으로 반영한다는 점에서 차이가 있다.

연구팀은 약 11만명의 수술 데이터를 기반으로 훈련과 외부 검증을 진행했고 예측 정확도는 훈련 코호트(집단)에서 79.5%, 검증 코호트에서 76.2%, 78.6%를 기록했다고 설명했다.

연구팀은 모델을 수술실 내 모니터링 시스템과 연계하면 수술 환자의 예후 개선과 의료 안전 수준 향상에 크게 기여할 수 있을 것으로 기대했다.

한림대학교동탄성심병원 소화기내과 이경주·박세우 교수팀은 최근 한림대학교 소프트웨어학부 허종욱 교수팀과 함께 인공지능(AI)과 3차원 광회절단층촬영(3D Optical Diffraction Tomography, 이하 3D ODT)을 결합한 담관암 진단기술을 세계 최초로 개발했다.

연구팀은 암세포의 특징 중 하나인 세포 내 '지질 방울(Lipid Droplets)'의 대사적 변화에 주목했다.

암세포는 정상세포에 비해 지질 방울의 부피, 밀도, 분포에서 뚜렷한 대사적 차이가 있다.

연구팀은 이를 정량화할 수 있는 3D ODT 영상 기술과 AI 기반 합성곱 신경망(Convolutional Neural Network, CNN)을 이용해 암세포를 자동 분류하는 모델을 개발했다.

실험에는 담관암 세포주(SNU1196, SNU308, SNU478) 및 정상 담관세포(H69)를 활용했으며 약 9만장 이상의 세포 이미지를 CNN 모델에 학습시켰다.

단일이미지 분석 기반 정확도는 93.8%였고 지질 방울의 정보(부피·건조질량 등)를 포함한 다중모델 학습 정확도는 97.9%에 달했다.

최종적으로 다각도 영상 융합기법(Multi-View Score Fusion)을 적용한 최종 모델의 진단 정확도는 98.6%로 매우 높은 수준을 보였다.

특히 이 기술은 별도로 조직을 염색하지 않고도 획득한 세포 영상만으로 암세포를 실시간 분류할 수 있는 AI 기반 진단법으로 병리적 판독을 보조하는 새로운 도구로 주목받고 있다.

연구팀은 이번 기술은 단순 영상 분석을 넘어 암세포의 대사적 특징을 반영한 정밀 진단 플랫폼으로의 확장 가능성이 크다고 설명했다.

서울대병원 영상의학과 이동헌 교수팀은 최근 서울대 데이터사이언스대학원 김형신 교수팀과 함께 국내 4개 의료기관 및 공개 데이터셋에 등록된 약 3400건의 대장내시경 데이터를 바탕으로 학습 및 검증을 실시해 대장내시경 컴퓨터 진단 보조 시스템 'ColonOOD'을 개발했다.

이 시스템은 주요 용종의 분포를 학습하여 소수 유형 용종의 분포를 검출하는 기능을 갖췄다.

또 용종 분류 시 기존 모델에서 제공되지 않았던 분류 결과의 신뢰 수준(High, Low)을 함께 제시함으로써 내시경 전문의의 정확한 의사 결정을 지원한다.

이를 이용하면 1차적으로 고위험 용종을 분류해낼 수 있다. 그 외 유형일 경우 추가 분석 모델이 작동해 저위험 용종과 잠재적 위험이 있는 '소수 유형 용종'을 구분한다.

이 같은 분류 성능을 4개 의료기관(서울대병원 강남센터, 서울아산병원, 세브란스병원, 이대서울병원)의 데이터와 2개 공개 데이터셋을 기반으로 검증한 결과 전체 용종을 최대 79.7%의 정확도로 분류했으며 전체 소수 유형 용종 중 최대 75.5%를 정확히 검출하는 것으로 나타났다.

즉 ColonOOD는 용종의 위치를 자동으로 감지해 확실한 고위험 용종을 선별하고 분류가 불확실한 용종은 다시 한 번 정밀하게 분석해 소수 유형 해당 여부를 확인함으로써 진단의 신뢰성을 높인다고 연구팀은 설명했다.

연구팀은 ColonOOD의 예측 결과를 활용하면 임상의가 신뢰수준에 따라 진단 정확도를 크게 향상시킬 수 있을 것으로 기대했다.