인공지능, 암 진단·비용·시간 줄이고 정확성 높여

암이 존재한다는 데이터만으로 병리영상에서 암의 존재와 부위까지 정확하게 보여줄 수 있는 약지도학습(weakly supervised learning) 딥러닝 모델이 개발됐다.

대구경북과학기술원(이하 DGIST, 총장 국양) 로봇및기계전자공학과 박상현 교수(인공지능 전공 겸직) 연구팀과 서울아산병원 남수정 교수, 고현정 교수 연구팀은 13일 공동 개발한 결과를 발표했다.

일반적으로 암의 위치를 판단하기 위해 병원에서 병리영상을 찍게된다. 이때 암 부위가 위치한 곳을 정확하게 표시해주는 작업을 위해 오랜 시간이 소요되고, 그에 따라 비용이 증가하게 된다.

이를 해결하기 위해  ‘영상 속 암의 존재 유무’와 같은 대략적인 정보만으로도 암 부위를 찾아내는 '약지도학습 모델'이 활발하게 연구되고 있다. 그러나 영상 하나의 크기가 기가바이트에 이를 정도로 너무 커 제대로 작동되지 못하는 문제가 발생한다.

그렇다고 병리영상을 작은 파일로 분할해서 사용하게되면 위치정보와 각 분할자료 간의 상관관계를 잃어버리게 되어 암 관련 모든 정보를 활용할 수 없다는 한계가 있다.

이에 박상현 교수 연구팀은 슬라이드 단위의 암 유무 표시를 가진 학습데이터만으로 암 위치까지 정확히 분할해 낼 수 있는 기법을 발견했다.

먼저 비지도 대조 학습(Unsupervised contrastive learning)을 통해 패치들로부터 유의미한 특징들을 효과적으로 추출하도록 네트워크를 학습시키고, 이를 이용해 각 위치 정보를 유지하면서 주요 특징들을 검출해 패치들간 상관관계를 유지한 채 영상의 크기를 줄이는 병리영상 압축 기술을 개발했다.

이후 압축된 병리영상으로부터 클래스 활성 지도(Class activation map)를 활용해 암일 확률이 높은 부위를 찾아내고, 픽셀 상관관계 모듈(Pixel correlation module, PCM)을 이용해 전체 병리영상 내에서 암일 확률이 높은 부분들을 모두 영역화 해낼 수 있는 모델을 개발했다.

새롭게 개발한 딥러닝 모델은 암 영역화 문제에서 슬라이드 단위의 암 유무 레이블을 가진 학습데이터만으로 최대 81 ~ 84의 Dice similarity coefficient (DSC) 점수를 보였으며, 기존에 제안된 패치단위 기법들이나 다른 약지도학습 기법들의 성능(DSC 점수: 20 ~ 70)을 크게 넘어섰다.

박상현 교수는 “이번 연구를 통해 개발한 모델은 병리영상의 약지도학습 영역화 성능을 크게 개선시켰으며 이를 통해 병리영상 분석이 필요한 다양한 연구들의 효율성 향상에 기여할 수 있을 것으로 기대된다”며 “향후 관련 기술을 좀 더 개선한다면 다양한 의료영상 영역화 문제에도 범용적으로 활용될 수 있을 것”이라 밝혔다.

이번 연구 결과는 그 우수성을 인정받아 의료영상 분석 관련 분야 최상위 국제학술저널인 의료영상분석 저널(MedIA, Medical Image Analysis Journal)에 지난 5월 25일 게재됐다.