[미국암연구협회] 인공지능이 암 연구의 미래에 끼칠 영향 (Ⅰ)

국립암연구소에 따르면 인공지능(AI)은 학습과 추리, 문제해결, 의사결정 등 보통 지능적인 인간의 행동이라고 생각되는 기능을 컴퓨터가 수행할 수 있는 능력으로 정의된다. 연구진이 스캔과 병리학 슬라이드, 암과 환자 게놈 프로필, 전자 건강 기록부터 임상 결과까지 암 관련 데이터를 대량 축적하면서 AI가 이 정보를 분석해 이전에는 실현할 수 없었던 의미 있는 통찰력을 도출할 수 있다. ‘머신러닝(machine learning)’은 인간의 명시적 개입 없이 데이터에 접근해 학습하고 패턴을 파악하며 의사결정을 내릴 수 있는 컴퓨터 프로그램 개발에 집중하는 AI의 응용 프로그램이다. ‘딥러닝(Deep learning)’은 신경망을 활용해 의사결정을 하는 머신러닝의 서브셋이다. 암 과학과 의학에서 AI의 적용은 방대하고 빠르게 확대되고 있다. 그 분야의 최근의 발전은 아래에 설명되어 있다.

1. 암 영상 분야의 AI

이미 AI가 큰 가능성을 보이고 있는 암 연구에서 가장 흥미진진한 분야 중 하나는 암 영상촬영이다. 임상 사진(내시경, 대장내시경 등), 방사선 이미지(유방촬영, 폐 CT 등) 또는 조직 이미지(종양병리학 등)를 포함한 다양한 수단에서 도출된 정상 조직, 사전 병변 또는 암의 영상 분석은 암 검출 및 진단에 있어 중요한 단계다. 전통적으로 이러한 이미지의 해석은 전문 의사들에 의해 고된 작업과 시간 소모적인 과정을 통해 수행된다. 몇몇 최근의 연구는 AI를 이용한 영상 분석이 암 의학에서 일상적으로 사용되는 수많은 출처의 영상을 정확하게 해석하는 데 필요한 과정을 능률화할 수 있는 잠재력을 가지고 있다는 것을 보여준다. 특히 이들 보고서는 AI가 인간 전문가와 유사한 정확도로, 그리고 경우에 따라서는 더 높은 정확도로 암을 발견할 수 있어 생명을 위협하는 암에 걸린 사람들에게 더 빠른 임상적 의사결정이 가능하다는 점을 강조한다. 따라서 AI는 또한 전문 의료 전문가에게 일반적으로 할당되는 진단 의무의 일부를 인수함으로써 자격을 갖춘 임상 인력이 부족하거나 부족한 소외 지역의 품질 관리에 대한 접근을 확대할 수 있다.

임상 사진 분석

정기 내시경이나 대장내시경 시술 중 촬영한 위장관(구강, 식도, 위, 소장 결장, 직장 포함) 디지털 사진을 분석해 발암성 용종을 검출하는 AI의 효용성은 광범위한 조사영역이며 실제로 위암과 대장암 모두 검출될 가능성이 크다. 게다가, 최근의 한 보고서에 따르면, 기계 학습 접근법은 20년 전에 코스타리카에서 시행된 암 검진 연구에 참여한 자원봉사자들로부터 얻은 자궁경부 이미지의 사전 예방적 변화를 감지하는데 있어서 인간 전문가들을 능가했다. 이러한 저비용 모바일 방식이 미국과 주변 인구 중 특히 자궁경부암의 부담을 줄이는 데 도움이 되는 유용한 새로운 도구를 제공할 수 있기 때문에, 이러한 접근방식이 정기적인 골반 검사에서 스마트폰을 이용한 자궁경부의 고품질 사진을 생성하는 데 활용될 수 있는지 여부를 실험하고 있다.

방사선 및 병리학 이미지 조사

암 영상촬영에 AI가 사용되는 추가적인 예로는 방사선 영상분석과 병리시험 결과판단이 있는데, 이 두 가지 모두 암 진단에 매우 중요하다. 전통적으로 전자는 방사선사가 암의 징후를 시각적으로 찾아 영상을 스캔하는 반면, 병리학 검사는 암세포의 유무를 판단하기 위해 기존의 광현미경 아래 비정상 조직의 한 조각이 있는 슬라이드를 병리학자가 보는 것을 포함한다. 현재 스캔과 슬라이드를 분석하는 방법은 시간이 많이 소요되며 암의 징후를 놓치거나(거짓 음성) 영상 인공물(거짓 양성)으로 판명된 암을 감지할 수 있다.

새롭게 등장하는 데이터는 방사선학과 병리학 영상 분석의 효율성과 정확성을 높이는 데 AI가 중요한 역할을 할 수 있음을 강조한다. 예를 들어, 최근의 연구는 방사선 전문의와 비교하여 AI 도구가 각각 유방암이나 폐암을 더 잘 검출할 수 있다는 것을 입증했다. AI 시스템도 전립선암 생체검사에서 나온 종양의 이상을 병리학자(492명)에 버금가는 효율로 검출해 특성화하는 것으로 나타났다. 그러나 최근 보고서에서 입증된 것과 같이 AI의 또 다른 놀라운 사용은 외과의들에게 환자가 수술하는 동안 뇌종양의 종류에 대한 정확한 실시간 정보를 신속하게 제공하는 것이다.

연구진은 AI가 수술 중 얻은 조직검사에서 얻은 병리학적 영상을 분석해 뇌종양의 종류를 3분 이내에 정확하게 진단할 수 있는 것으로 나타났는데, 이 과정은 전통적으로 약 40분이 소요된다. 또한 이 접근방식은 주변 건강한 조직과 종양을 정확하게 구별할 수 있었으며, 이는 수술을 정교하게 하고 장기적 환자 결과를 크게 개선할 수 있다. AI 방법은 암 진단에서의 역할 외에도 병리학 영상 인공 지능 알고리즘을 분석하여 종양 내 특정 바이오마커(예: 유전자 돌연변이 또는 단백질)의 존재 여부를 정확하게 예측하는 데 도움이 될 수 있다. 이러한 AI 기반 접근법은 기존 바이오마커 검출 기법에 비해 잠재적으로 더 빠르고 비용이 적게 들 수 있으며, 암 조직 내 여러 바이오마커에 대한 동시 프로파일링을 가능하게 하며 정밀 의학의 미래를 바꿀 수 있다.

2. 약물 개발 분야의 AI의 역할

연구진은 여러모로 AI의 힘을 활용해 암 치료제의 발견을 가속화하고 있다. 기초연구조사를 보다 효과적으로 하기 위한 노력도 있지만, 임상시험을 보다 효율적으로 하기 위한 목표도 있다. 사실, AI의 사용은 약물 개발 과정의 각 단계를 보강시킬 수 있다(치료 개발의 과정 설명참조). 예를 들어, AI는 과학 문헌, 임상 데이터베이스 및 환자로부터 얻은 방대한 양의 정보를 활용하여 암의 성장에 필수적인 단백질과 같은 잠재적인 신약 목표물을 식별하고, 그러한 단백질을 대상으로 하는 새로운 치료법을 설계하며, 그러한 치료법의 안전성과 효과를 평가하는 데 도움을 줄 수 있다. 이와 관련하여 현재 진행 중인 한 이니셔티브는 AI를 활용하여 암에서 가장 빈번한 변화 중 하나인 변경된 KRAS 단백질의 활동을 억제하는 새로운 방법을 식별하고 있다.

임상연구에서 ‘머신러닝(machine learning)’을 포함한 AI 플랫폼은 바이오마커를 활용해 암약 발견을 가속화할 수 있어 임상시험에서 환자 등록 전에 고 위험군을 파악해 심각한 이상사례를 예방하는 동시에 새로운 치료법을 시험할 환자군을 정확하게 선별할 수 있다. 나아가 AI는 환자 치료결과를 개선할 수 있는 약물 표적의 효과적인 조합을 예측하면서 과거 통제 부문 또는 실제 데이터의 정보를 통합함으로써 임상 시험 효율성을 개선할 수 있는 잠재력을 가지고 있다. 시급한 연구 초점 분야는 주로 백인 인구에서 인종, 소수민족 및 기타 소외계층을 포함하도록 AI 플랫폼을 훈련하는 데 사용되는 데이터 셋의 확장이 있다.

약물의 개발 과정
발견한 표적의 검증	발견을 통해 찾아낸 표적 후보를 해당 질환에 원인적 역할을 하는지 여부를 검증하는 단계.	6가지의 과정을 거치는데 5년~10년이 소요
표적을 맞출 분자 검증	다수의 화학물질이나 생물물질을 조사하여 표적을 맞추는 분자를 찾아내어 확실히 검증한다.
물질의 효율성 검증	표적을 맞춘 물질을 검사하여 가장 특효가 있고 유망한 약물 성분을 내기 위한 조합을 찾아낸다.
검증된 물질의 최적화	주 물질의 성분을 반복적으로 최적화하여 특효을 증진함으로서 약의 성분과 성능을 높이고 부작용을 줄인다.
임상 전 시험	세포와 쥐 모델을 이용하여 최적화된 주 물질의 효율성을 검사하고, 가능한한 독성 문제를 찾아내고 임상시험이나 첫 번째 인간 시험에 사용할 최적의 투여량과 투약 스케줄을 찾아낸다.
시험 신약으로 등장	임상시험 전에, 복수의 임상시험 후보를 GMP(우수의약품제조관기기준)에서 생산된 약물을 GLP(우수실험실기준) 연구를 통하여 분석한 후 식약청(FDA)에 임상시험의 승인을 요청한다.

3. 환자 관리(치료) 분야에 AI의 역할

암 연구 분야를 빠르게 진전시키는 역할을 넘어, 가까운 장래에 AI가 환자 진료에도 결정적인 역할을 할 수 있을 것으로 기대된다. AI는 환자를 위한 최선의 치료 옵션을 결정하거나 다른 응용 프로그램 중 치료에 대한 반응을 확인하는 것과 같은 임상적 의사결정에 도움을 줄 수 있는 잠재력을 가지고 있다. 예를 들어, 최근 연구에서 연구자들은 폐암 환자의 컴퓨터 단층촬영 데이터를 활용하여 단층촬영 스캔 내의 패턴을 분석하여 환자가 화학요법과 표적치료법 또는 면역요법에 어떻게 반응할 수 있는지를 예측할 수 있는 AI 모델을 만들었다. 이 모델은 임상 결정을 이끌고 환자 치료결과를 예측하는 유망한 접근방식을 제공한다.

환자 치료에서 AI가 중추적인 역할을 할 수 있는 또 다른 영역은 치료 내성의 과제를 해결하는 데 있다(치료 내성의 도전의 자료 참조). 치료 내성은 특정 암세포가 치료의 독성 효과를 극복하기 위해 필요한 메커니즘을 배치하고 계속 증식하며 결국 약물에 민감한 세포보다 수가 많아 종양이 재발할 때 발생한다. 현재 일부 연구자들은 암세포의 최대 수를 제거하기 위해 고선량의 치료제를 사용하는 것이 내성 세포군 등장을 가속화할 수 있다고 믿고 있다. 따라서 AI에 대한 광범위한 연구 분야는 약물에 민감한 암세포의 집단을 지속적으로 유지할 치료법의 최적 투여 요법을 식별하기 위한 수학적 모델의 적용이다. 연구자들은 저항군과 성장을 위해 경쟁하는 약물에 민감한 세포의 임계 수준을 유지하는 것이 내성 세포의 증식을 막거나 늦출 것이라는 가설을 세운다.

암 치료의 연속적인 과정에서는 암 관리를 안내하기 위해 환자 데이터 및 치료 지침과 결합된 AI를 활용하는 것에 대한 관심이 증가하고 있지만, 그러한 접근의 잠재력은 아직 결정되지 않았다. 예를 들어, 최근의 연구에서 AI는 단기 사망 위험이 높은 암환자를 식별하기 위해 전자 건강 기록의 데이터를 활용할 수 있었고, 의료 사업자는 환자의 목표와 가치에 대해 좀 더 시의 적절한 대화를 할 수 있었다. 종합해 보면 이들 보고서는 향후 임상 암 치료에서 AI가 가져올 놀라운 잠재력을 강조하고 있다. 다만 위에서 언급했듯이 연구자들이 세심한 주의를 기울여야 할 분야는 AI 플랫폼 개발에 미국 인구를 대표하는 다양한 데이터 셋이 포함된 것이다. AI 또는 머신러닝 시스템을 교육하는 데 사용되는 데이터의 다양성이 부족하면 AI 애플리케이션 내에 민족/인종 또는 기타 편견을 포함시킬 수 있으며 이러한 최첨단 기술의 혜택을 필요로 하는 모든 환자에 대한 일반화 가능성을 제한할 수 있다.

치료 내성이라는 풀어야 할 과제

종양 내부나 종양 간의 암세포의 다양성이나 이질성은 치료 내성의 주요 원인이다. 이런 이질성의 일부 예는 다음과 같다.

▲ 암세포라고 모두 빠르게 증식하는 것은 아니다. 이런 빠르게 증식하지 않는 세포들은 세포독성 화학요법 같이 빠르게 증식하는 세포를 표적 삼는 치료에는 둔감하다.
▲ 종양 내의 일부 암세포들은 주어진 치료의 표적에 돌연변이가 있거나 생겨서 치료의 효율성을 떨어뜨린다.
▲ 종양 내의 일부 세포들은 치료 표적 외에 분자나 세포의 차이가 생겨서 치료의 효율성을 떨어뜨린다.
▲ 암의 확산의 연료가 되는 신호망의 과잉이 암세포가 치료에 내성을 생기게 할 수 있다.
▲ 종양 미세 환경 요소의 차이가 치료에 내성을 유발할 수 있다.

AACR (미국 암 연구 협회) 보고서 2020