영상의학 전문의는 가까운 미래에 AI를 사용하여 뇌종양을 발견할 수 있게 될 것입니다.

Biology Methods and Protocols 에 게재된 "뇌종양 탐지 및 분류를 위한 딥러닝과 전이학습(Deep learning and transfer learning for brain tumor detection and classification)"이라는 제목의 논문에 따르면, 과학자들은 인공지능(AI) 모델을 훈련시켜 뇌종양과 건강한 조직을 구분할 수 있다고 합니다. AI 모델은 이미 MRI 영상에서 인간 영상의학과 전문의와 거의 비슷한 수준으로 뇌종양을 탐지할 수 있습니다.

연구자들은 AI를 의학에 적용하는 데 있어 꾸준한 진전을 이루어 왔습니다. AI는 특히 영상의학 분야에서 유망한데, 기술자가 의료 영상을 처리하는 데 시간이 걸려 환자 치료가 지연될 수 있기 때문입니다. 합성곱 신경망(CNN)은 연구자들이 대량의 영상 데이터를 기반으로 AI 모델을 학습시켜 인식 및 분류할 수 있도록 지원하는 강력한 도구입니다.

이런 방식으로 네트워크는 이미지를 구분하는 법을 "학습"할 수 있습니다. 또한 "학습을 전이"하는 능력도 갖추고 있습니다. 과학자들은 특정 작업을 위해 훈련된 모델을 새롭지만 관련된 프로젝트에 재사용할 수 있습니다.

위장한 동물을 감지하고 뇌종양을 분류하는 데는 매우 다른 유형의 이미지가 사용되지만, 연구자들은 자연 위장 덕분에 숨는 동물과 주변의 건강한 조직에 섞이는 암세포 그룹 사이에 유사점이 있다고 제안했습니다.

여러 객체를 단일 식별자로 그룹화하는 학습된 일반화 과정은 네트워크가 위장된 객체를 어떻게 감지하는지 이해하는 데 중요합니다. 이러한 학습은 특히 종양 감지에 유용할 수 있습니다.

공개적으로 이용 가능한 MRI 데이터에 대한 이 회고적 연구에서 연구진은 신경망 모델이 뇌암 데이터로 어떻게 훈련될 수 있는지 살펴보고, 망토를 두른 동물을 감지하는 고유한 전이 학습 단계를 도입하여 네트워크의 종양 감지 기술을 개선했습니다.

연구진은 공개적으로 이용 가능한 온라인 암 데이터 소스의 MRI와 건강한 뇌의 대조 이미지(Kaggle, NIH 암 이미지 아카이브, 보스턴의 VA 건강 시스템 포함)를 사용하여 건강한 뇌와 암 MRI를 구별하고, 암에 의해 영향을 받은 영역과 암의 전형적인 모습(암 종양 유형)을 식별하는 네트워크를 훈련했습니다.

연구진은 이 네트워크가 정상 뇌 이미지를 거의 완벽하게 식별하고, 단 한두 건의 위음성(false negative)만 발생하며, 암세포가 있는 뇌와 건강한 뇌를 구분할 수 있음을 발견했습니다. 첫 번째 네트워크는 뇌암 탐지에서 평균 85.99%의 정확도를 보였고, 두 번째 네트워크는 83.85%의 정확도를 보였습니다.

네트워크의 핵심 특징은 의사 결정을 설명하는 다양한 방법을 제공한다는 점이며, 이는 의료 전문가와 환자의 모델에 대한 신뢰를 높입니다. 심층 모델은 종종 투명성이 부족하며, 해당 분야가 발전함에 따라 네트워크의 의사 결정을 설명하는 능력이 중요해집니다.

이 연구 덕분에 네트워크는 이제 종양의 양성 또는 음성 분류에서 특정 영역을 보여주는 이미지를 생성할 수 있습니다. 이를 통해 영상의학과 전문의는 네트워크 결과와 자신의 결정을 비교할 수 있으며, 마치 근처에 또 다른 "로봇" 영상의학과 전문의가 종양을 나타내는 MRI 영역을 가리키는 것처럼 신뢰도를 높일 수 있습니다.

연구진은 앞으로는 AI가 임상 실무에서 투명한 지원 역할을 수행할 수 있도록 직관적인 방식으로 결정을 설명할 수 있는 심층적 네트워크 모델을 만드는 데 집중하는 것이 중요할 것이라고 생각합니다.

모든 사례에서 네트워크가 뇌종양 유형을 구분하는 데 어려움을 겪었지만, 네트워크 내에서 데이터가 표현되는 방식에는 본질적인 차이가 있음이 분명했습니다. 네트워크가 위장을 인식하도록 훈련됨에 따라 정확도와 명확성이 향상되었습니다. 전이 학습을 통해 정확도가 더욱 향상되었습니다.

테스트된 최적 모델의 정확도가 일반적인 인간 탐지보다 6% 낮았지만, 이 연구는 이 학습 패러다임을 통해 달성된 정량적 개선을 성공적으로 입증했습니다. 연구진은 이 패러다임과 설명 가능성 방법론의 포괄적 적용이 향후 임상 AI 연구에 필요한 투명성을 확보하는 데 도움이 될 것이라고 믿습니다.

논문의 주저자인 아라쉬 야즈단바흐쉬는 "AI의 발전으로 패턴을 더욱 정확하게 감지하고 인식하는 것이 가능해졌습니다."라고 말했습니다.

"이는 결국 이미지 기반 진단 및 선별 검사를 향상시키지만, AI가 작업을 수행하는 방식에 대한 더 많은 설명을 요구합니다. AI의 설명 가능성에 대한 추진은 인간과 AI의 상호작용 전반을 향상시킵니다. 이는 특히 의료 전문가와 의료 목적으로 설계된 AI 간에 중요합니다.

"명확하고 설명 가능한 모델은 진단을 돕고, 질병 진행을 추적하고, 치료를 모니터링하는 데 더 적합합니다."