인공지능, 실제로 어떻게 암 치료에 도움될까

탁한 모양의 똑같은 흑백 사진 두 장이 컴퓨터 화면에 나란히 놓여 있다. 왼쪽은 15년 경력의 방사선 전문의 이스마일 바리스 터크비 박사가 이 흐릿한 모양이 점점 커지는 전립선암을 나타내는 영역을 정리했다. 화면 반대편에서 인공지능(AI) 컴퓨터 프로그램도 동일한 작업을 수행했으며 결과는 거의 동일하다.

흑백사진은 전립선암에 걸린 사람의 MRI 스캔으로, AI 프로그램이 수천 개를 분석했다.

"[AI] 모델은 전립선을 찾아 암 의심 부위를 인간의 감독 없이 윤곽을 드러낸다"고 터크비 박사는 설명한다. 그의 희망은 AI가 경험이 적은 방사선과 의사들이 전립선암이 존재하고 있을 때 찾아내고 그리고 암으로 오인될 수 있는 어떤 것도 묵살하지 않도록 돕는 것이다.

이 모델은 인공지능과 암 연구의 교차점에 관한 한 빙산의 일각에 불과하다. 잠재적인 응용 분야는 끝이 없는 것처럼 보이지만, 그 중 많은 부분이 암의 화상 작업을 위한 도구에 집중되어 있다.

전체 장기의 엑스레이부터 암세포의 현미경 사진까지 의사들은 여러 가지 방법으로 영상 검사를 사용한다. 초기 단계의 암 발견과 종양의 병기 결정, 치료가 효과가 있는지 확인, 그리고 치료 후에 암이 재발했는지 모니터링에도 영상 검사를 사용한다.

지난 몇 년 동안, 연구원들은 암 영상을 더 빠르고, 더 정확하고, 더 많은 정보를 줄 수 있는 잠재력을 가진 인공지능 도구를 개발했다. 그리고 그것은 많은 흥분을 불러일으켰다.

국립암연구소 분자 화상과(Molecular Imaging Branch)의 데이터 과학자 스테파니 하몬 박사는 "인공지능에 대한 과장된 소문이 많지만 이에 대한 연구도 많이 있다"고 말했다.

전문가들에 따르면 이 연구에는 이러한 도구들이 연구실을 떠나 의사실로 들어갈 준비가 되어 있는지, 실제로 환자에게 도움이 되는지, 그리고 그 혜택이 전체 또는 일부 환자들에게만 미칠 수 있는지에 대한 질문도 포함된다.

인공지능이란 무엇인가

인공지능은 결정을 내리거나 예측하기 위해 데이터를 사용하는 컴퓨터 프로그램 또는 알고리즘을 말한다. 알고리즘을 만들기 위해 과학자들은 컴퓨터가 데이터를 분석하고 결정을 내릴 수 있도록 일련의 규칙이나 명령을 만들 수 있다.

예를 들면, 타크비 박사와 그의 동료들은 MRI 스캔에서 전립선암이 어떻게 보이는지에 대한 기존 규칙을 사용했다. 그런 다음 수천 개의 MRI 연구를 사용하여 알고리즘을 훈련했다. 일부는 전립선암에 걸린 것으로 알려진 사람들로부터, 일부는 그렇지 않은 사람들로부터였다.

기계 학습과 같은 다른 인공지능 접근법에서는 알고리즘이 데이터를 분석하고 해석하는 방법을 스스로 학습한다. 이와 같이, 기계 학습 알고리즘은 인간의 눈이나 뇌가 쉽게 식별할 수 없는 패턴을 포착할 수 있다. 또한 이러한 알고리즘이 더 많은 새로운 데이터에 노출됨에 따라 데이터를 학습하고 해석하는 능력이 향상된다.

연구자들은 또한 암의 화상화 어플리케이션에서 기계 학습의 일종인 딥 러닝을 사용해 왔다. 딥 러닝은 인간의 뇌와 같은 방식으로 정보를 분류하는 알고리즘을 말한다. 딥 러닝 도구는 우리 뇌세포가 우리 몸의 나머지 부분으로부터 신호를 어떻게 받아들이고, 처리하고, 반응하는지를 모방하는 인공 신경 네트워크를 사용한다.

암 화상용 AI에 관한 연구

의사들은 암 화상 검사를 사용하여 다음과 같은 다양한 질문에 답한다. 암인가, 아니면 무해한 혹인가? 만약 암이라면, 얼마나 빨리 자라고 있나? 어디까지 퍼졌나? 치료 후에 다시 자랄까? 연구에 따르면 AI는 의사들이 이러한 질문에 대답하는 속도와 정확도, 신뢰성을 향상시킬 수 있는 잠재력을 가지고 있다.

"AI는 현재 인간이 할 수 있는 평가와 작업을 자동화할 수 있지만 많은 시간이 걸린다"라고 하버드 의과대학의 휴고 아츠 박사는 말했다. AI가 결과를 낸 후 방사선 전문의는 AI가 한 일을 검토하기만 하면 된다. 그것이 올바른 평가를 내렸는가? 닥터 에츠는 계속해서 말했다. 이러한 자동화를 통해 시간과 비용을 절감할 수 있을 것으로 기대되지만, 이는 여전히 입증되어야 한다고 그는 덧붙였다.

게다가 AI는 매우 주관적인 작업인 이미지 해석을 보다 간단하고 신뢰할 수 있도록 할 수 있다고 아츠 박사는 지적했다.

그는 "방사선과 의사, 피부과 의사, 병리학자와 같은 인간이 화상을 해석하는 데 의존하는 복잡한 작업은 딥 러닝을 통해 엄청난 발전을 볼 수 있다"고 말했다.

하지만 과학자들이 가장 기대하고 있는 것은 인공지능이 현재 인간이 스스로 할 수 있는 것을 넘어설 수 있는 잠재력이다. AI는 우리 인간이 볼 수 없는 것들을 보고 매우 다른 종류의 데이터들 사이의 복잡한 패턴과 관계를 찾을 수 있다.

아츠 박사는 "AI는 많은 작업을 수행하는 데 있어 인간의 능력을 뛰어넘는 뛰어난 능력을 발휘한다"고 말했다. 그러나 이 경우, AI가 어떻게 결론에 도달하는지가 불분명한 경우가 많기 때문에, 의사나 연구자들이 그 도구가 제대로 작동하는지 확인하는 것은 어렵다.

암 조기에 발견하기

유방 조영술이나 자궁경부 검사와 같은 검사는 암이나 암으로 변할 수 있는 암세포의 징후를 정기적으로 검사하는데 사용된다. 그 목표는 암이 전이되기 전, 혹은 아예 형성되기 전에 암을 조기에 발견하여 치료하는 것이다.

과학자들은 유방암을 포함한 여러 종류의 암에 대한 검진 검사를 돕기 위한 인공지능 도구를 개발했다. AI 기반의 컴퓨터 프로그램은 20년 이상 동안 의사들이 유방조영술을 해석하는 것을 돕기 위해 사용되어 왔지만, 이 분야의 연구는 빠르게 발전하고 있다.

한 그룹은 유방암 검진을 얼마나 자주 받아야 하는지를 결정하는 데 도움을 줄 수 있는 AI 알고리즘을 만들었다. 이 모델은 향후 5년 동안 유방암에 걸릴 위험을 예측하기 위해 개인의 유방 촬영 이미지를 사용한다. 다양한 테스트에서 이 모델은 유방암 위험을 예측하는 데 사용되는 현재 도구보다 더 정확했다.

NCI 연구원들은 제거하거나 치료해야 하는 자궁경부의 전 암 상태를 식별할 수 있는 딥 러닝 알고리즘을 구축하고 테스트했다. 일부 낮은 정보 환경에서는 의료 종사자들이 소형 카메라로 자궁경부를 검사하여 자궁경부 전 암 상태를 검사한다. 이 방법은 단순하고 지속 가능하지만, 매우 신뢰할 수 있거나 정확하지는 않다.

NCI의 암 역학 및 유전학 부서의 마크 쉬프만 박사와 그의 동료들은 육안 검사 방법으로 자궁경부의 전 암 상태를 찾는 능력을 향상시키는 알고리즘을 설계했다. 2019년 연구에서 알고리즘은 훈련된 전문가보다 더 잘 수행되었다.

대장암의 경우, 선종이라고 불리는 암 전 종양의 발견을 개선하기 위해 여러 가지 AI 도구가 임상 시험에서 보였다. 그러나 선종의 극히 일부만이 암으로 변하기 때문에, 일부 전문가들은 그러한 AI 도구들이 많은 환자들을 위한 불필요한 치료와 추가 검사로 이어질 수 있다고 우려하고 있다.

암의 검출

AI는 또한 증상이 있는 사람들의 암 발견을 개선할 수 있는 가능성을 보여주었다. 예를 들어, NCI의 암 연구 센터의 터크비 박사와 그의 동료들이 개발한 AI 모델은 방사선과 의사들이 다중 파라미터(매개 변수) MRI라고 불리는 비교적 새로운 종류의 전립선 MRI 스캔으로 잠재적으로 공격적인 전립선암을 쉽게 발견할 수 있게 해줄 수 있을 것이다.

다중 파라메트릭 MRI는 일반 MRI보다 전립선에 대한 더 자세한 그림을 생성하지만 방사선과 의사는 일반적으로 이러한 스캔을 정확하게 판독하기 위해 수년간의 연습이 필요하기 때문에 동일한 스캔을 보는 방사선과 의사간에 의견이 일치하지 않는다.

NCI 팀의 AI 모델은 "방사선 전문의들의 학습 곡선을 더 쉽게 만들고 오류율을 최소화할 수 있다"고 터크비 박사는 말했다. AI 모델은 경험이 적은 방사선과 전문의들이 다중 파라메트릭 MRI를 배우도록 지도하는 가상 전문가 역할을 할 수 있을 것이라고 그는 덧붙였다.

폐암의 경우, 의사들이 CT 스캔으로 폐암을 발견하도록 돕기 위해 몇 가지 딥 러닝 AI 모델이 개발되었다. 폐의 일부 비 암적 변화는 CT 스캔에서 암과 매우 흡사해 보이며, 이는 사람이 실제로 폐암에 걸리지 않았음을 나타내는 높은 비율의 위(거짓) 양성 결과를 초래한다.

전문가들은 AI가 CT 스캔에서 폐암과 비 암적 변화를 더 잘 구별하여 잠재적으로 잘못된 양성 반응의 수를 줄이고 불필요한 스트레스와 추적 검사, 시술로부터 사람들을 구할 수 있을 것이라고 생각한다.

예를 들어, 연구팀은 폐암을 발견하고 암처럼 보이는 다른 변화를 피하기 위해 딥 러닝 알고리즘을 훈련시켰다. 연구실 테스트에서 이 알고리즘은 암처럼 보이는 비 암적 변화를 무시하는 데 매우 능숙했고 암을 발견하는 데에도 탁월했다.

암 치료법의 선택

의사들은 또한 암의 성장 속도와 확산 여부, 치료 후 재발 가능성 등과 같은 암에 대한 중요한 정보를 얻기 위해 영상 검사를 사용한다. 이 정보는 의사가 환자에 대해 가장 적합한 치료법을 선택하는 데 도움이 될 수 있다.

많은 연구에 따르면 AI는 영상 스캔을 통해 이러한 예측 정보를 수집할 수 있으며, 현재 사람보다 더 정확하게 수집할 수 있다. 예를 들어, 하몬 박사와 그녀의 동료들은 방광암 환자가 수술 외에 다른 치료가 필요할 가능성을 결정할 수 있는 딥 러닝 모델을 만들었다.

의사들은 방광 근육에 종양이 있는 사람의 약 50%가 방광 너머로 퍼진 암세포 군집을 가지고 있지만 전통적인 도구로 발견하기에는 너무 작다고 추정한다. 이 숨겨진 세포들이 제거되지 않으면, 그것들은 수술 후에도 계속 자라 재발할 수 있다.

화학요법은 이러한 암세포의 미세한 집단을 죽이고 수술 후에 암이 재발하는 것을 막을 수 있다. 하지만 임상실험에서는 수술 외에 어떤 환자들이 화학요법을 필요로 하는지 판단하기 어렵다고 하몬 박사는 말했다.

"우리가 하고 싶은 것은 환자들이 어떤 종류의 치료를 받기 전에 이 모델을 사용하여 확산 가능성이 높은 암에 걸린 환자를 판별함으로써 의사들이 정보에 근거한 결정을 내릴 수 있도록 하는 것이다"라고 그녀는 설명했다.

이 모델은 1차 종양 조직의 디지털 화상을 보고 가까운 림프절에 미세한 암 세포 덩이가 있는지 여부를 예측한다. 2020년 연구에서 딥 러닝 모델은 환자의 나이와 종양의 특정 특성을 포함한 요소들의 조합에 기초한 방광암의 확산 여부를 예측하는 표준 방법보다 더 정확한 것으로 입증되었다.

점점 더, 환자의 암에 대한 유전 정보가 가장 적절한 치료법을 선택하는데 사용되고 있다. 중국의 과학자들은 간암 조직 화상에서 주요 유전자 돌연변이의 존재를 예측하는 딥 러닝 툴을 개발했다. 이것은 병리학자들이 화상을 보는 것만으로는 할 수 없는 일이다.

그들의 도구는 신기한 방식으로 작동하는 AI의 한 예이다. 이 알고리즘을 만든 과학자들은 이 알고리즘이 종양에 어떤 유전자 돌연변이가 있는지 어떻게 감지하는지 알지 못한다.

암 화상을 위한 AI 도구는 실제로 준비가 되었는가

과학자들이 암 화상을 위한 AI 도구를 만들어 내고 있지만, 이 분야는 아직 초기 단계이며 이러한 도구의 실용성에 대한 많은 의문점들은 여전히 해답을 얻지 못하고 있다.

하몬 박사는 초기 테스트에서 수백 개의 알고리즘이 정확하다는 것이 입증되었지만, 대부분은 실제 환경에 대한 준비를 확실히 하기 위한 테스트의 다음 단계에 도달하지 못했다고 말했다.

외부 검증 또는 독립적 검증으로 알려진 이 테스트는 알고리즘이 얼마나 일반화할 수 있는지 알려준다. 즉, 완전히 새로운 환자에게 얼마나 유용한가? 다른 의료 센터 또는 스캐너의 환자에게는 어떤 효과가 있나?" 하몬 박사가 설명했다. 즉, 다른 말로 하면, AI 도구는 훈련받은 데이터 이상으로 정확하게 동작하고 있는가? 하는 질문이다.

"세계의 다양한 지역에서 다양한 그룹에서 엄격한 검증 테스트를 통과하는 AI 알고리즘이 더 널리 사용될 수 있고, 따라서 더 많은 사람들에게 도움이 될 수 있을 것"이라고 그녀는 덧붙였다.

검증에 가세해, 터크비 박사는 또한 임상연구에서 AI 도구가 실제로 환자의 암 예방과 수명 연장이나 또는 삶의 질 향상, 시간이나 비용 절약을 통해 환자에게 도움이 된다는 것을 보여 줄 필요가 있다고 지적했다.

하지만 그 이후에도 AI에 대한 주요 질문은 "어떻게 하면 이러한 알고리즘이 몇 년이고 잘 작동하도록 보장할 수 있는가"라고 아츠 박사는 말했다. 예를 들어, 새로운 스캐너는 예측이나 해석을 위해 인공지능 도구에 의존하는 화상의 특징을 바꿀 수 있다고 그는 설명했다. 그리고 그것은 그들의 성과를 바꿀 수도 있다.

AI 도구들이 어떻게 규제될지에 대한 의문도 있다. 2020년 현재 60개 이상의 AI 기반 의료 기기 또는 알고리즘이 FDA의 승인을 받았다. 그러나 승인된 후에도 일부 기계 학습 알고리즘은 새로운 데이터에 노출되면서 변경된다. 2021년 FDA는 적응 능력이 있는 AI 기술을 모니터링하는 프레임워크를 발표했다.

일부 AI 도구의 투명성에 대한 우려도 있다. 간종양의 유전자 돌연변이를 예측할 수 있는 알고리즘과 같은 몇몇 알고리즘으로 과학자들은 이것이 어떻게 결론에 도달하는지 알지 못한다. 즉, 블랙박스 문제로 알려진 난제이다. 전문가들은 이러한 투명성의 결여로 인해 편견과 부정확성에 대한 비판적인 점검이 안 된다고 말한다.

예를 들어, 최근의 연구는 암의 결과를 예측하도록 훈련받은 기계 학습 알고리즘이 환자의 종양 생물학이 아닌 종양 화상이 촬영된 병원에 초점을 맞췄다는 것을 보여주었다. 비록 그 알고리즘이 어떤 의료 환경에서도 사용되지 않지만, 같은 방식으로 훈련받은 다른 도구들도 같은 부정확성을 가질 수 있다고 연구원들은 경고했다.

"또한 AI가 이미 우리의 의료 시스템과 연구 과정에 내재되어 있는 편견을 악화시킴으로써 특권층과 소외계층 간의 의료결과의 격차를 악화시킬 수 있다는 우려도 있다"고 IBM 왓슨 건강의 부 최고 책임자인 이렌느 단크와 뮬란 박사가 말했다.

"이러한 편견은 AI 모델을 만드는데 사용된 데이터에 깊이 내재되어 있다"고 그녀는 2021년 미국 암 연구 과학 암 의료 격차 회의에서 설명했다.

예를 들어, 소수의 의학 알고리즘이 최근 흑인들에게는 백인들에게보다 덜 정확한 것으로 나타났다. 이러한 잠재적으로 위험한 단점은 알고리즘이 주로 백인 환자의 데이터에 대해 훈련되고 검증되었다는 사실에서 비롯된다고 전문가들은 지적했다.

한편, 일부 전문가들은 AI가 전문가가 부족한 병원에 전문가 수준의 진료를 제공함으로써 암 치료의 접근성을 향상시킬 수 있을 것으로 보고 있다.

「[AI]가 할 수 있는 것은, 전문 지식이 부족한 의사가 있는 환경에서, 잠재적으로 그들의 성과를 전문가 레벨로 끌어올릴 수 있는 것」이라고 하몬 박사는 설명했다.

일부 AI 도구는 심지어 정교한 장비의 필요성을 무시할 수도 있다. 예를 들어, 쉬프만 박사에 의해 개발된 자궁경부암 검진을 위한 딥 러닝 알고리즘은 휴대폰이나 디지털 카메라, 그리고 저렴한 재료에 의존한다.

이러한 우려에도 불구하고, 대부분의 연구원들은 암 치료에서 AI의 미래를 낙관한다. 예를 들어, 아츠 박사는 과학과 의학, 정부 및 지역 사회 구현 전문가들 간의 더 많은 작업과 협력이 이러한 장애물을 극복할 수 있다고 믿고 있다.

"성능이 너무 좋고 그렇지 않으면 낭비이기 때문에 결국 [AI 테크놀로지]가 클리닉에 도입될 것이라고 생각한다"고 그는 말했다.