본문 바로가기

전체 글15

인공지능의 임상검증 방법론(알고리즘 정확도, 임상적 유용성) 인공지능의 임상검증 방법론(알고리즘 정확도, 임상적 유용성) 의학적 진단과 판단을 보조하는 인공지능 알고리즘들이 이제 개발단계를 지나 환자 진료에 점차 도입되고 있습니다. 인터넷 검색을 해보면 이러한 인공지능 알고리즘의 높은 정확도를 알리는 글도 많이 발견할 수 있습니다. 그런데 인공지능 알고리즘이 진로에 보급되면서 제한된 실험실 환경이 아닌 실제 진료환경에서는 정확도가 낮아지는 현상이 나타나 주목을 받고 있습니다. 최근 미국 위스콘신 의과대학이 미국 식품의약국으로부터 이미 의료기기 허가를 받아 시판되고 있는 한 인공지능 알고리즘의 정확도에 대한 연구결과를 발표하였습니다. 이 인공지능 알고리즘은 경추의 전산화 단층 촬영 영상을 분석해서 경추 골절이 있는지를 진단하는데, 미국 식품의약국 허가자료에 따르면 .. 2022. 8. 5.
의료 인공지능 패러다임을 바꾸고 있는 Attention 메커니즘과 Transformer 모델 의료 인공지능 패러다임을 바꾸고 있는 Attention 메커니즘과 Transformer 모델 1997년 RNN 계열의 모델인 LSTM, 그리고 1998년 CNN 계열의 모델인 LeNet이 발표된 이후 RNN과 CNN은 각각 자연어 처리 분야와 이미지 인식 분야에 효과적임이 밝혀지며 인공지능 모델을 대표하는 양대 산맥이 되었습니다. 이후, 약 20년간 인공지능 연구는 이것들의 변형과 개선의 형태가 주를 이루었습니다. 그런데 몇 해 전, RNN을 주로 사용하던 자연어 처리 분야와 CNN을 주로 사용하던 이미지 인식 분야의 인공지능 커뮤니티 모드에 충격적인 논문이 발표되었습니다. 논문의 제목마저도 네게 필요한 것은 Attention 뿐이야. 하는 심플하고 강렬한 임팩트를 가지고 있습니다. Attention 메.. 2022. 8. 4.
인공지능을 활용한 병리 영상 분석 목표 인공지능을 활용한 병리 영상 분석 목표 디지털 병리의 도입은 디지털화된 이미지를 탐지, 분할, 진단 및 분석 수행할 수 있는 AI 기반 영상분석을 적용할 수 있게 하였습니다. 디지털 병리라는 디지털 데이터 생성과 AI 기반 영상 분석이라는 4차 산업혁명의 부분이 만나 의료진의 병리진단의 능률을 향상하고 진단율을 끌어올리기 위해 컴퓨터를 이용한 심층 기계학습과 이미지 분석 및 여러 데이터 소스를 통합하는 진단 접근법을 고안하고자 하는 컴퓨터 병리 분야가 급격하게 발전하고 있습니다. 2020년 8월에 한국의 병리 의사 전체를 대상으로 실시한 설문조사에서 병리의사들의 82%가 병리 영상분석을 활용한 판독 보조 소프트웨어 도입이 필요하다고 답하였습니다. 이와 같은 병리 분야의 수요를 바탕으로 2019년 글로벌 .. 2022. 8. 4.
인공지능을 활용한 생체 신호 데이터 분석 사례 인공지능을 활용한 생체 신호 데이터 분석 사례 2016년 이세돌과 인공지능 알파고가 바둑 대결을 펼쳤습니다. 여기서 알파고가 이세돌을 이겨 큰 충격을 주었습니다. 영상의학분야의 일련의 논문들이 인간에서의 성능을 능가하는 인공지능 모델 개발을 발표하였습니다. 이후 2018년에는 생체신호 처리 분야인 심전도 판독에 있어서도 심장내과 전문의의 수준을 능가하는 인공지능 모델이 개발되어 보고되었습니다. 이후로도 많은 연구자들이 심전도, 혈압 파형, 뇌파 등 다양한 신체 신호를 분석하는 인공지능 모델을 개발하여 좋은 성능을 보고하였으며, 현재에는 인공지능 기법을 활용한 상용 의료장비가 개발되어 식약처 인허가를 거친 후 의료현장에서 활용되고 있습니다. 생체 신호 데이터 선 강의에서 여러분들은 생체 신호의 정의와 다양.. 2022. 8. 3.
인공지능을 활용한 MRI 영상획득 기본 원리, 재구성, 생성 인공지능을 활용한 MRI 영상 획득 기본 원리, 재구성, 생성 자기 공명 영상, MRI와 같은 의료영상은 상세한 부분까지 볼 수 있는 정보들을 획득하고 진단하기 좋은 영상을 만들어내기 위해 촬영 시간이 길게 소요됩니다. 이처럼 한 환자의 영상을 얻는데 많은 시간이 소요되므로 촬영 도중 환자가 움직이게 되면 촬영을 기다리는 다른 환자들에게도 영향을 줍니다. 그래서 MRI 촬영 예약을 하면 몇 주 혹은 몇 달을 기다려야 합니다. 또한 상체 부분을 촬영할 때에는 한동안 숨을 참아야 하는데, 이러한 모든 불편한 것들의 원인은 MRI라는 영상 장비가 영상 데이터를 얻는 촬영 과정이 시간이 많이 걸릴 수밖에 없는 구조이기 때문입니다. 따라서 보통 촬영 시간이 20분에서 40분 혹은 경우에 따라서 1시간이 넘어가기도.. 2022. 8. 3.
인공지능을 활용한 EMR 정형 데이터 분석 사례 인공지능을 활용한 EMR 정형 데이터 분석 사례 임상의사결정 지원시스템은 환자의 임상정보를 바탕으로 의료인이 진료 과정에서 적절한 임상적 판단과 의사결정을 하도록 돕는 시스템을 의미합니다. 임상의사결정 지원시스템은 규칙 기반으로 작동하거나 알맞게 디자인된 지식체계 베이스로 만들어지기도 했습니다만 최근 의료 현장에서 발생하는 다양한 데이터를 이용하여 환자의 예후를 예측하는 인공지능 모델을 만드는 방향으로 점점 발전하고 있습니다. 전자 의무기록은 환자에 대한 여러 의료행위 정보가 담겨 있으므로 임상현장에서 필요한 맞춤형 임상의사결정 지원시스템을 학습하는 용도로 활용 가능합니다. 연구 예시 중 하나로 무릎관절 전치환술 후 환자에게 수혈이 필요할지를 조기에 예측한 사례를 설명드리겠습니다. 해당 내용은 다음과 같.. 2022. 8. 3.
인공지능을 활용한 EMR 비정형데이터 분석 사례 인공지능을 활용한 EMR 비정형 데이터 분석 사례 인공지능의 발전에 힘입어 실제 의료 현장에서도 AI가 적극적으로 활용되고 있습니다. 예를 들어 IBM의 왓슨은 의사의 진단을 보조하는 도구로 활용되고 있습니다. 병원 시스템 및 연구 개발에도 인공지능이 활발하게 사용되고 있습니다. AI 플랫폼을 통해 인공지능이 가정에서 복약지도를 하거나 인공지능 의료 녹취를 통해 영상 데이터 판독 소견 음성을 실시간으로 문서화해 저장하고 시스템에 등록하는 작업을 자동화하는 등에 사용처가 있습니다. 치료 전에 문진 챗봇을 사용하는 병원도 늘고 있습니다. 고혈압, 당뇨 등 만성질환자는 기간을 두고 내원하기에 질병 근원을 파악하기 쉽지 않은데요. 챗봇은 병원 밖 일상에서 환자에게 어떤 운동을 했는지, 무얼 먹었는지 등에 대해 .. 2022. 8. 3.
인공지능 병리 영상분석 방법론과 사례 인공지능 병리 영상분석 방법론과 사례 병리 영상분석 알고리즘은 환자의 병을 진단하고 예후를 예측하기 위한 영상 분류, 병리 영상 내 병변 탐지 및 중요 부분 분할과 같은 병리 영역에서의 필요한 부분을 처리하기 위해서 개발됩니다. 인공지능을 이용한 병리 영상분석은 병리 검칠을 환자에게서 체취함으로써 시작됩니다. 환자에게서 작은 크기의 조직을 채취하는 생검이나 또는 수술실 절제 과정을 통해 인체 조직을 채취한 후, 매우 얇은 절편을 내어 인체 조직 표본 슬라이드를 제작합니다. 제작한 슬라이드는 스캐너를 통하여 전체 조직 영상 즉, whole slide image로 디지털화합니다. 병리 의사는 조직 영상을 검토하여 분석에 적합한 수준의 영상인지를 평가하고 분석 주제에 적합한 영상들을 선별해낸 후, 이미지에서 .. 2022. 8. 2.
병리 영상의 특성에 따른 영상분석 모델 개발의 어려움과 극복방안 병리 영상의 특성에 따른 영상분석 모델 개발의 어려움과 극복 방안 병리 영상분석의 모델을 실제로 개발해보면 많은 어려움에 부딪히게 됩니다. 이는 굉장히 다양한 이유들 때문인데, 하나씩 살펴보겠습니다. 먼저 영상의 전체 크기가 매우 큽니다. 병리 영상은 대게 기가 픽셀 크기의 초고해상도 이미지입니다. 병리 이미지에서 가장 작은 크기로 볼 수 있는 생검 조직 영상 한 장의 파일 크기는 수백 메가바이트 정도이며, 절제 조직 영상의 파일 크기는 더 커서 수기가 바이트 정도입니다. 영상의 크기가 매우 커서 단일 이미지로 기계학습 및 딥러닝을 수행하기 쉽지 않습니다. 이 때문에 하나의 파일을 수백 픽셀 정도의 잘게 쪼개어 학습에 사용하고 있습니다. 또한 이렇게 크고 잘게 쪼개진 이미지를 입력으로 하여 분석 모델을 .. 2022. 8. 2.
의료 영상 데이터 분석 기법 - 서포트 벡터 머신, 결정 트리, 랜덤 포레스트 모델 의료 영상 데이터 분석 기법 - 서포트 벡터 머신, 결정 트리, 랜덤 포레스트 모델 서포트 벡터 머신은 일명 최대 마진 분류기라고 불리며, 기존의 로지스틱 선형 회귀가 가진 문제점들을 해결하였습니다. 손실 함수를 다시 살펴보면 y가 1인 경우 수식 5의 Z값이 양수이면 경계의 위쪽에 위치하고, 있어서 손실 값을 작게 하고 작거나 음수라면 높게 정의할 수 있습니다. 여러 가지 방법이 존재할 수 있는데, 이를 그림 8이 잘 보여주고 있습니다. 가장 쉽게 생각해볼 수 있는 손실 함수는 경계의 위에 있으면 손실 0, 아래에 있으면 손실 1로 정의되는 0, 1 손실 함수입니다. 그리고 로지스틱 선형 회귀에서 사용한 손실 함수인 –log 함수 기반의 크로스 엔트로피는 빨간색으로 표시되어 있으며, 경계의 위에 있다 .. 2022. 8. 2.
의료 영상 데이터 분석 기법 - 로지스틱 모델 의료 영상 데이터 분석 기법 - 로지스틱 모델 불연속적인 값을 예측하는 분류 모델에 대해 알아보도록 합시다. 예를 들어 유방암의 크기에 따른 악성, 양성 구분을 수행하는 간단한 기계학습 모델을 생각해 봅시다. 그림 3에서 보듯이 x값을 유방암의 크기, y값을 악성 1, 양성 0이라고 하면 데이터를 표시해보면 붉은색 점으로 표현됩니다. 기존의 선형 회귀 방식으로는 이러한 데이터를 제대로 표현할 수 없음을 그림 3의 왼쪽 그림이 잘 보여주고 있습니다. 여기서 새로운 함수를 도입하여 이러한 문제를 해결하고 이 방식을 로지스틱 회귀라고 불립니다. 우선 모델의 출력 값이 0과 1 사이 있어야 하고 경사 하강법을 쉽게 적용할 수 있도록 미분 가능한 함수이면 더욱 좋을 것입니다. 로지스틱 또는 시그모이드 함수 개념과.. 2022. 8. 2.
의료 영상 데이터 분석 - 지도 학습의 종류와 인공지능 학습 의료 영상 데이터 분석 - 지도 학습의 종류와 인공지능 학습 인공지능이란 개념은 단순히 공학적인 의미만이 아닌 정치, 경제, 사회적인 함축적 의미를 포함하고 있습니다. 공학적으로 본다면 인공지능을 구현하는 방법을 또는 그 자체를 기계학습이라고 합니다. 이 기계학습의 여러 방법들 중 인간의 신경망을 모사하는 인공신경망 모델이 있습니다. 인공신경망 모델은 1943년 처음 제시된 이래로 두 번의 겨울을 겪게 됩니다. 첫 번째 겨울은 1969년 단층으로 구성된 인공신경망 모델이 단순한 X, Y과 같은 논리 현상도 모사할 수 없다는 사실이 MIT 민스키 교수로부터 밝혀져 시작되었고 이후 다층 인공신경망이 나오면서 다시 봄을 맞이할 수 있었습니다. 그러나 이 다층 모델도 1990년대와 2000년대 초반에 이르기까지.. 2022. 8. 1.

티스토리툴바