[Artificial Intelligence / Posts] 의료 영상에서의 딥러닝 어플리케이션

1895년 독일 물리학자 Wilhelm Röntgen은 그의 아내 Anna에게 그녀의 손의 X-레이를 보여주었다. Anna는 "나는 죽음을 보았다"라고 말했다. 의료 영상은 100여년 전에 시작과 동시에 패러다임을 깼고, 지난 몇년간 진화를 거듭한 딥러닝 메디컬 어플리케이션은 한번 더 현실을 뛰어넘어 새로운 가능성으로 우리를 안내했다. 아래 히트맵에서 볼 수 있는 바와 같이, 이미징과 진단에서 인공지능(Artificial Intelligence; AI)은 2015년에 피크에 도달하였고 계속 유지되고 있다.

2015년 1월 이후 벤쳐 캐피탈이 지원하는 헬스케어 AI 스타트업의 1/3이 이미징과 진단 분야에 속해 있으며 이후 펀딩 거래의 80%가 진행되고 있다. 예를 들어, 의료 영상 진단을 위해 딥러닝을 활용하는 스타트업 Enlitic은 2015년 Capitol Health로부터 1,000만 달러를 투자받았다. IBM 연구원들은 의료 영상이 현재의 모든 의료 데이터의 90% 이상을 차지하고 있기 때문에 헬스케어 산업의 가장 큰 데이터 소스라고 추정하고 있다. 이는 몇몇 병원 응급실의 방사선 전문의가 매일 수천장의 이미지를 제공하고 있다는 점을 고려할 때 휴먼 스케일에서 압도적인 양이다. 따라서 보다 효율적으로 이미지로부터 데이터를 추출하고 표현하는 새로운 방법론이 필요하다.

가장 공통적인 초기 헬스케어 머신러닝 응용분야 중 하나가 의료 영상이기는 했지만, 예제와 사전 지식으로부터 학습할 수 있는 딥러닝 알고리즘이 소개된 것은 최근의 일이다. 아직 그러한 수준까지는 도달하지 못했지만, 이러한 기술들은 딥러닝-기반 의료 영상을 통해 더욱 정확하고 신속한 진단으로 우리 사회를 이끌고 있다.

의료 영상 분야에서의 현재 딥러닝 응용

아래에 언급되는 것들은 의료 영상 분야에서의 머신러닝(Machine Learning; ML)/딥러닝(Deep Learning; DL) 응용이다. 이 목록이 절대 완벽한 것은 아니지만, 오늘날 의료 영상 분야에서의 ML/DL의 장기적인 영향력을 보여준다.

종양 검출

미국에서는 매년 500만건 이상이 피부암을 진단된다. 전국에서 가장 흔하게 진단되는 암인 피부암 치료로 매년 80억 달러가 지불된다. 흑색종(가장 치명적인 형태의 피부암)은 조기에 진단되고 적절히 치료되면 치료가 가능한데 초기에서 말기 단계까지 생존율이 15%에서 65%이다. 적절한 치료는 심지어 90% 이상의 5년 생존율을 보장할 수 있다.

IBM Research의 지능형 정보시스템의 수석 매니저인 John Smith는 자동 이미지 처리 분야의 가장 유망한 단기 어플리케이션 중 하나는 흑색종을 감지하는 것이라고 말한다. 종양을 검출하기 위해, DL 알고리즘은 의료 영상 그룹으로부터 질병에 관련된 중요한 특징을 학습한 후 학습에 의거하여 예측(즉 검출)을 한다.

이전에 언급한 호주의 의료 영상 회사인 Enlitic은 종양 검출을 위해 DL을 사용한 초기 개척자로 자리매김하였으며 이 회사에서 개발한 알고리즘은 폐(Lung) CT 스캔에서 종양을 검출하는데 사용되어 왔다. Enlitic의 CEO인 Jeremy Howard는 자신의 회사가 방사선 전문의보다 높은 정확도로 폐 종양의 관련 특성을 식별할 수 있는 알고리즘을 개발했다고 말한다.

딥러닝 알고리즘이 요구하는 한 가지는 많은 양의 데이터이며 최근의 데이터 유입은 지난 10년간 동안 머신러닝과 딥러닝을 지도에 돌려놓은 주된 이유 중 하나이다. 그러나 보다 다양한 분야에서의 의료 영상 데이터 부족은 여전히 극복해야할 과제이다. IBM은 2015년에 병원이 의료 영상을 저장하고 분석하도록 돕는 회사인 Merge Healthcare를 10억 달러에 인수하였을 때 이 이슈를 알고 있었다. IBM은 Merge가 수집한 300억개의 영상을 이용하여 의사들이 의료 진단을 내릴 수 있도록 도움을 주도록 Watson을 훈련시키는 계획을 가지고 있었다 (아래 비디오 참고).

종양 검출 추적

또한 의료 영상은 질병 부담 및 의료 개입 효과에 대한 비침습적 모니터링을 위해 사용될 수 있어 소규모 대상 집단에 대한 임상 시험을 완료하고 약물 개발 비용과 시간을 줄일 수 있다. 예를 들어, 유방암에 사용되는 약물인 Capecitabine (Xeloda으로도 알려짐)은 162명의 환자만을 대상으로 임상시험을 시행하여 CT 스캔에서 종양이 수축된 효과를 통해 1998년에 승인되었다.

조직 이상의 이상징후로 나타나는 증식 활성을 가진 추출된 조직의 후보 부위가 종종 확인된다. DL 알고리즘은 종양 확률 히트맵을 생성하며 종양 확률로 분류된 조직 패치의 겹치는 영역을 보여준다. 이러한 이미지는 모양, 면적, 밀도 및 위치와 같은 다양한 종양 특징에 대한 유익한 데이터를 제공하므로 종양 변화를 쉽게 추적 할 수 있다.

Fraunhofer Medical Image Computing 연구소 (MEVIS)의 연구원은 2013년에 종양 이미지의 변화를 밝히기 위한 DL을 사용하여 의사가 암 치료 과정을 결정할 수 있도록 하는 새로운 도구를 공개했다. Fraunhofer MEVIS의 Mark Schenk는, "예를 들어, 소프트웨어는 종양의 양이 시간에 따라 어떻게 변하는지를 결정하고 새로운 종양을 검출할 수 있도록 지원할 수있다"고 말했다. 이러한 접근법은 자동화 된 진행 모니터링을 가능하게 한다.

혈류량 정량화 및 시각화

MRI (Magnetic Resonance Imaging; 자기 공명 영상)는 조영제를 사용하지 않고도 인간 혈관의 혈류를 비침습적으로 시각화하고 정량화 할 수 있다. 1980년대 MRI가 널리 보급되면서 심장 혈관 병리학이 심장 혈류 역학의 국지적, 전체적 변화에 미치는 영향을 훨씬 더 정확하게 평가할 수 있게 되었다.

DL 의료 영상 기술 회사인 Arterys는 최근 GE Healthcare와 파트너 관계를 맺어 GE Healthcare의 자기 공명 (MR) 심장 솔루션에 정량화 및 의료 영상 기술을 결합했다. Arterys의 시스템은 심혈관 질환의 포괄적인 진단과 심장 내부의 혈액 흐름을보다 효율적으로 시각화하고 정량화 할 수 있다.

Arterys의 DL 소프트웨어 기술은 GE MR 시스템에 대한 심장 평가를 기존의 심장 MR 스캔의 일부분에서 표현할 수 있도록 했다. 아래의 비디오는 Arterys의 시스템을 보여 준다:

의료분석

의료 영상 테스트의 효과는 이미지와 해석 품질 모두에 의존하며, 해석 품질은 주로 방사선 전문의의 소관이다. 그러나, 해석은 오류가 발생하기 쉽고 제한될 수 있는데, 인간은 피로와 혼란 등과 같은 요인을 겪기 때문이다. 이는 환자가 종종 동일한 이미지에 대해 여러 의사로부터 다양한 해석을 받는 한 가지 이유인데, 이는 스트레스를 받고 지루한 과정을 겪을 수 있기 때문이다.

Metathesaurus (대형 생물 의학 유의어 사전)와 RadLex (방사선 용어의 통합 언어)는 방사선 학계 보고서에서 질병 관련 단어 검색에 사용할 수 있다. DL 알고리즘은 의사가 더 나은 해석을 내놓을 수 있도록 의료 영상 (가령, 방사선학 보고서)에서 질병의 유무를 검출하도록 훈련된다.

2013년 설립된 한국의 신생 기업인 Lunit는 DL 알고리즘을 사용하여 X-Ray 및 CT 영상을 분석하고 해석한다. Lunit의 시스템은 5초만에 95% 정확도로 해석 결과를 제공할 수 있는데, 이는 3년만에 국제 스타트업 인큐메이션 프로그램을 통해 230만 달러의 투자 유치를 이끌어냈다.

2014년 설립된 또다른 한국의 신생기업 Vuno 또한 의사의 의료 영상 해석을 돕는다. Vuno는 ML/DL 기술을 이용하여 환자 영상 데이터를 분석하고 미리 처리된 의료 데이터 사전과 비교하여 의사가 환자의 상태를 보다 신속하게 평가하고 더 나은 결정을 내릴 수 있도록 한다. 삼성에서 근무하는 동안 만난 Vuno의 공동 창업자는 "자신들의 머신러닝 경험을 통해 의료 데이터를 입력하여 의사와 병원이 질병을 퇴치할 수 있도록 도움으로써 보다 긴급한 문제에 적용이 가능하다는 것을 깨달았다"고 한다.

Vuno의 시스템 동작.

의료 해석과 함께 사용되는 또 다른 응용 분야는 영상 분류(Classification)이다. 예를 들어, 병변을 발견 한 후 의사는 그것이 양성인지 악성인지를 결정해야 한다. 이 부분에서, 삼성은 유방 병변 분석을 위해 초음파 영상에 DL을 적용하고 있다. 삼성의료원 한부경 교수는, "사용자는 불필요한 생체 조직검사를 줄일 수 있으며 의사는 악성 및 의심스러운 병변을 정확하게 탐지하는데 있어 보다 신뢰할만한 지원이 가능할 것으로 보인다"고 말했다. 삼성의 시스템은 상당량의 유방 검사 결과를 분석하고 표시된 병변의 특징을 제공하며 병변이 양성인지 악성인지 알려준다.

당뇨병성 성막증

당뇨병성 망막증 (DR)은 당뇨병에서 가장 심각한 안구 합병증으로 여겨지며 전 세계적으로 가장 빠르게 성장하는 실명의 원인 중 하나이며 전 세계적으로 약 4억 1천5백만명의 당뇨병 환자가 위험에 처해 있다. National Health Interview Survey와 US Census Bureau의 자료에 따르면 DR이 있는 40세 이상 미국인의 수는 2005년 550만명에서 2050년에는 1,600만명으로 3배가 될 것으로 예상된다.

많은 쇠약 질환과 마찬가지로 조기 발견 시 DR을 효율적으로 치료할 수 있다. 2016년 Google 리서치 그룹이 Journal of the American Medical Association (JAMA)에 게재한 최근 연구에 의하면, 안저(fundus) 영상 데이터세트를 통해 학습된 그들의 DL 알고리즘이 90% 이상의 정확도로 DR 검출할 수 있다고 하였다. 이 연구에 실린 DL 알고리즘은, 픽셀의 밝기로부터 당뇨병성 성막증의 심각도를 계산하기 위해 사용되며 신경망(수백만 개의 파라미터가 있는 수학 함수)을 통해 학습되어 궁극적으로 새로운 영상에서 당뇨병성 성막증의 심각도를 계산할 수 있는 일반 함수를 도출해 낸다. Google은 현재 인도의 병원과 협업하고 있는 일 중 하나는 대규모의 DL-학습 모델을 통해 효과적인 치료를 위해 초기에 DR을 탐지할 수 있도록 의사들을 돕는 것이다.

Google I/O 2016에서 DR에 대해 이야기하고 있는 Google CEO, Sundar Pichai (4:57)

미래

최근의 Quora 및 Reddit 스레드를 검색해 보면 사람들이 DL에 의해 방사선을 중단할 수 있는 가능성에 대해 관심을 갖고 있는 것으로 보인다. 또한 많은 전문가들은 DL 기반의 솔루션들이 의료 영상 분야에서의 가능성에 대해 낙관적인 입장을 표명하고 있다. 미네소타, 로체스터의 마요 클리닉(Mayo Clinic)의 Bradley Erickson 박사는 대부분의 컴퓨터에 의한 진단 이미징은 향후 15에서 20년이 더 필요할 것이라고 믿는다. 그러나 그는 DL이 방사선과 의사의 일자리를 차지하는 대신 질병을 예측하고 치료를 안내하는 역할을 확대 할 것이라고 믿는다.

"나는 어떤 사람들은 자신의 주장을 관철하며 '이런 일이 일어나도록 하지 않을 것'이라고 말하는 것에 대해 우려하고 있다. 나는 비협력도 비생산적인 것이며, 많은 의사들이 딥러닝이 가져올 이 혁명에 참가하여 가장 긍정적인 방식으로 구현되기를 희망한다."라고 Erickson이 말했다. 보이는데, 의료 영상 검사가 기계에 의해 사전 분석될 때까지 10년 내에는 방사선 의료진이 어떠한 의료 영상 검사 도입을 검토하지 않을 것으로 보인다.

DL의 가장 혁명적인 미래 응용분야 중 하나는 거의 모든 형태의 암과 싸우는 것이 될 것이다.

IBM Watson Health의 종양학 및 유전체학 글로벌 리더인 Robert S. Merkel은 IBM Watson이 암과 싸우는 방식에 대해 논의 중이다. '암과의 전쟁'에서 이러한 노력의 일환으로 Google DeepMind는 영국의 국립 보건 서비스 (NHS)와 협력하여 의사들이 DL 기술을 통해 두뇌와 목암을 보다 신속하게 치료할 수 있도록 돕고 있다.

이 연구는 University College London Hospital과 공동으로 진행되고 있다.

의료 영상 분야에서의 딥러닝에 대한 생각의 결론

2011년, IBM Watson은 Jeopardy의 가장 위대한 챔피언 중 2명을 상대로 승리했다. 2016년 Google DeepMind는 바둑 컴퓨터 프로그램 AlphaGo를 개발하여 세계에서 가장 바둑을 잘 둔다고 인정되는 바둑기사 이세돌에게 승리했다.

게임이 DL 기술을 테스트하는 가장 중요한 연구소의 기능을 하는 반면, IBM Watson과 Google DeepMind는 의료 및 의료 영상 분야에 이러한 솔루션을 도입했다. 기술이 더욱 발전함에 따라 많은 기업과 스타트업들이 ML/DL을 이용하여 다양한 의료 영상 문제를 해결하는 큰 역할을 하게 될 것이다. GE Healthcare 및 Siemens와 같은 대형 벤더는 이미 상당한 투자를 했으며, Blackford의 최근 분석에 따르면 20개 이상의 스타트업들이 의료 영상 솔루션에서 머신러닝을 사용하고 있다고 한다.

잠재적 이익도 중요하지만 초기의 노력과 비용도 크므로 대기업, 병원 및 연구소가 함께 대규모 의료 영상 문제를 해결해야 한다. 예를 들어, IBM Watson은 영상 기술을 사용하여 15개 이상의 병원 및 회사와 협력하여 인지 컴퓨팅이 실제 세계에서 어떻게 작동 할 수 있는지 알아보는 것을 목적으로 Watson Health를 2017년에 출시할 것으로 예상한다.

또한 GE는 UC 샌프란시스코와 3년간 파트너십을 맺어 방사선 전문의가 정상적인 결과와 더 많은 관심을 필요로하는 결과를 구별할 수 있도록 돕는 알고리즘을 개발했다고 발표했다. 이러한 노력은 소아 뇌 질환을 발견하기 위한 스마트 영상 기술을 개발하기 위해 Boston의 Children Hospital과 GE가 파트너십을 맺은 또 다른 성과입니다.

방사선 중단에 대한 논의와 이것이 의사들의 미래의 역할에 어떤 의미를 주는지에 대한 논의가 현재 진행되고 있으며 앞으로도 진행될 것이다. 그러나 질병과 암의 퇴치와 탐지에 대한 딥러닝이 가져다 줄 잠재적 헤택은 예상할 수 있는 범위 이상일 것으로 보인다.