AI가 췌장암의 위험을 예측하는 시대

연구원들에 따르면, AI 모델은 췌장암의 조기 발견을 가능하게 하고 환자들을 위한 치료 옵션을 개선할 수 있다고 한다.

인공지능(AI) 모델은 전자건강기록(EHR)의 순차적 건강정보를 활용해 췌장암 발병 위험이 더 높은 환자를 식별할 수 있다는 포스터가 2022년 미국암 연구 학회(AACR) 연차총회에 제시됐다.

연구원들에 따르면, 이러한 유형의 모델은 췌장암의 조기 발견을 가능하게 하고 환자들을 위한 치료 옵션을 개선할 수 있다고 한다.

"이 연구의 목적은 임상의들이 췌장암에 걸릴 위험이 높은 사람들을 식별하는데 도움이 될 수 있는 인공 지능 도구를 개발하여 그들이 예방이나 감시 프로그램에 등록될 수 있고 희망하건데 조기 치료로부터 혜택을 받을 수 있도록 돕는 것" 이라고 보스턴에 있는 하버드 대학의 박사 후보자인 연구 저자 보 위안 박사가 성명서에서 말했다.

위안 박사와 동료들은 첨단 기계 학습 기술을 사용하여 임상 사건의 시간 순서를 살펴보고 다년간의 시간 간격에 걸쳐 암 발생 위험을 예측했다.

※ machine learning, 기계(적) 학습 : 인공지능을 적용하여 명확한 프로그래밍 없이도 자동적으로 시스템이 경험을 통해서 배우고 개선할 수 있는 능력을 가지도록 하는 것

연구원들은 1977년과 2018년 사이에 치료를 받은 860만 명의 환자에 대한 전자건강기록(EHR)을 포함하는 덴마크 국립 환자 등록부의 데이터를 사용했다. 이 코호트(집단)에서 약 40,000명의 환자들이 췌장암에 걸렸다.

연구자들은 4가지의 기계 학습 모델을 테스트했다. 2개는 시간 의존적(게이트 반복 단위 및 트랜스포머)이고 2개는 시간 의존적이 아니다. 모델은 환자 임상 기록에서 질병의 시간 순서에 대해 훈련을 받았다. 연구자들은 위험 평가 후 3개월에서 60개월 사이의 시간 간격으로 암 발생을 예측하는 모델의 능력을 테스트했다.

※ 게이트 반복 단위(GRU)는 2014년 조경현 등이 도입한 반복 신경망의 게이트 메커니즘이다. GRU는 망각 게이트가 있는 LSTM과 비슷하지만 출력 게이트가 없기 때문에 LSTM보다 매개 변수가 적다. 폴리포닉 음악 모델링, 음성 신호 모델링 및 자연어 처리의 특정 작업에 대한 GRU의 성능은 LSTM과 유사한 것으로 나타났다. GRU는 특정 작고 빈도가 낮은 데이터 세트에서 더 나은 성능을 보이는 것으로 나타났다.

36개월 이내의 암 발생에 대해, 최상의 모델인 트랜스포머는 수신기 작동 특성 곡선(AURC) 아래의 면적이 0.88이었다. 승산비(OR)는 20% 리콜의 경우 47.5, 10% 리콜의 경우 159.0이었다.

위안 박사와 동료들은 Mass General Brigham Health Care System의 EHR 데이터를 사용하여 그들의 발견을 검증했다. 두 데이터 세트 간의 차이는 AI 모델을 재교육해야 했다.

새로운 훈련에도 불구하고, 트랜스포머 모델은 두 데이터 세트에서 유사한 정확도를 가졌다. Mass General 데이터 세트에서 AURC는 0.87이었다. 승산비는 20% 리콜의 경우 112.0, 10% 리콜의 경우 162.4였다.

위안 연구원은 "이러한 결과는 AI와 딥러닝과 같은 첨단 컴퓨터 기술이 개개인의 건강과 질병 이력을 바탕으로 점점 더 정확한 예측을 할 수 있는 가능성을 보여준다."고 말했다.

주로 여러 개의 은닉층(hidden layer)으로 구성된 인공 신경망을 활용한다. 은닉층 수가 많아질수록 ‘깊다(deep)’라고 표현하며, 깊은 계층 구조는 얕은 구조에 비해 복잡한 함수를 표현할 수 있다. 이러한 구조는 인간 뇌의 신경 회로망을 모사한 것이다. 심층 기계 학습(deep learning)은 문제를 해결하기 위해 스스로 필요한 특징을 찾아 적절하게 표현(feature representation)하는 학습 능력이 뛰어나 사진에서 개체 인식, 기계 번역, 바둑 등의 분야에서 뛰어난 성능을 보인다.

심층 기계 학습(deep learning)은 다양한 심층 신경망(DNN: Deep Neural Network)을 활용한다. 그 중에서도 콘볼루션 신경망(CNN: Convolutional Neural Network), 심층 순환 신경망(deep recurrent neural network), 심층 오토인코더(deep autoencoder) 등이 대표적이다.

심층 기계 학습(deep learning)은 1980년대 인공 신경망 연구가 다시 활성화되면서 시도되었으나, 1990년대에 제안된 심층 콘볼루션 신경망을 제외하고는 성공을 거두지 못하였다. 2006년 제프리 힌튼(Geoffrey Hinton)은 심층 신념망(deep belief network)의 학습 알고리즘을 제안하였다. 이후 컴퓨터 하드웨어가 발달하고 효율적인 학습 방법을 개발하면서 빅 데이터를 바탕으로 한 다양한 심층 기계 학습 모델들을 개발하여 사용하고 있다.

심층 기계 학습(deep learning)은 컴퓨터 비전, 패턴 인식, 자연어 처리를 비롯한 다양한 분야에서 사용한다.