인공지능 병리 영상분석 방법론과 사례

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 분석의 중요한 부위를 표시하기 위해서 주석을 달거나 이미지의 암 조직 혹은 정상조직 여부와 같은 것을 라벨로 입력합니다. 그다음에 머신러닝 혹은 딥러닝 등의 인공지능 기법을 활용하여 병리 영상에서 분석 결과에 영향을 미치는 중요한 특징들을 추출합니다. 추출해낸 특징들을 입력 데이터로 하여 수학적 기법이나 인공지능 기법을 통해 영상을 분류해낼 수 있는 알고리즘이 생성됩니다. 병리 영상 분석을 위한 다양한 인공지능 방법론에 대해서 살펴보겠습니다.

병리 영상 분석을 위한 다양한 인공지능 방법론

병리 영상에서의 방법론은 분류, 관심 부위 탐지 혹은 분할과 관련된 주제의 분석 알고리즘들이 주를 이루고 있습니다. 알고리즘 개발 시 이와 관련된 기준에 훈련된 모델이 활용되는 일도 있습니다. 먼저 분류는 입력 이미지에 대해서 이미지가 속한 그룹을 예측하는 작업으로서 대장암 조직이 포함된 영상과 대장암 조직이 없는 정상조직을 분류하는 알고리즘 등을 사례로 들 수 있겠습니다. 분류 알고리즘으로는 AlexNet, ResNet, Xception, VGG 등과 같은 머신러닝 모델이 활용되고 있습니다. 두 번째로 탐지 및 위치 지정은 물체의 레이블을 예측하면서 그 물체가 이미지 내의 어느 위치에 있는지 정보를 제공하는 것으로 유방암의 전이가 의심되는 림프절에서 림프절 전이의 위치를 표시해 주는 알고리즘 등을 생각해볼 수 있겠습니다. YOLO, R-CNN 등과 같은 머신러닝 모델이 있습니다. 세 번째로 분할을 모든 픽셀에 대해서 각 픽셀이 어떤 그룹에 속해 있는지를 예측하는 것으로 병리 영상에서 중요한 부분을 픽셀 기반으로 나눌 수 있습니다. 예를 들어 폐암이 포함된 병리 영상에서 폐암이 있는 부분을 암 조직의 모양 그대로 표시해서 알려주는 알고리즘 등을 생각해볼 수 있겠습니다. 관련된 모델들로는 FCN, SegNet, DeepLab, U-Net 등이 있습니다. 세부 인공지능 병리 영상의 주제별 방법론에 대해서 말씀드리겠습니다.

병리 영상 분석 방법을 적용하는 사례

병리 영상 분석 방법을 적용하는 사례들을 몇 가지 말씀드리겠습니다. 먼저 전립선 생검 조직 선별 알고리즘입니다. 전립선 생검 조직에서 전립선 암이 존재하는지를 구별해내기 위해서는 영상에 전립선암이 포함되었는지를 분류하는 다양한 분류 모델들을 활용한 알고리즘을 생성하게 됩니다. 지도 학습 알고리즘을 학습하기 위해서는 자세한 영상 주석을 달게 되며 약지도 학습 알고리즘을 학습하는 경우에는 영상마다 암 조직 포함 여부에 대한 라벨을 달아 학습자료를 만들게 됩니다. 두 번째는 신장 생검 내 상세구조 탐지 알고리즘입니다. 신장 생검은 사구체, 세뇨관, 혈관 등 여러 조직구조의 변화를 각각 분석하여 진단합니다. 이 때문에 영상에 사구체의 위치, 개수들을 파악하고 각 사구체의 상태를 평가하는 알고리즘이 필요합니다. 보여드리는 그림은 신장 생검에서 세뇨관 주변 모세혈관만 추출해내 C4D라는 생체 표지자의 발현 정도를 평가하는 알고리즘을 요약한 것입니다. 세 번째는 유방암 분할 알고리즘입니다. 병리 영상에는 관심 있는 영역인 ROI 이외의 구조 또한 포함되어 있습니다. 원하는 관심 영역 부위를 자동으로 추출하여 분석하기 위해서는 분할 모델 생성이 필요합니다. 유방암 조직에서 Ki67 증식 표지자 분석을 수행하는 것을 예로 들 수 있겠습니다. 유방암 조직에서 Ki67 증식 표지자가 있는지의 여부를 통해 항암치료의 반응을 예측할 수 있습니다. 병리 조직에는 암세포 이외에도 염증세포, 혈관 등 다양한 요소들이 존재하고 여기에 속한 세포들도 Ki67 증식 표지자를 발현하기 때문에 암 조직이 있는 부위에서만 Ki67 표지자의 분석이 수행될 수 있도록 분석모델을 만들어야 되고요. 이를 위해서는 관심 영역을 파악하는 것이 매우 중요합니다. 알고리즘 성능 평가 방법에 대해 살펴보겠습니다. 개발한 병리 영상분석 알고리즘은 학습에 사용한 영상의 염색 특성, 특정 학습 데이터의 쏠림 현상 등으로 인하여 부적합하게 학습될 수 있습니다. 따라서 알고리즘을 실제 진단에 활용하기 위해서는 학습에 사용된 영상과는 별도의 테스트 영상 데이터 세트에서 성능을 비교하고 특히, 다른 의료기관에서 조직을 추출해서 슬라이드 이미지를 만드는 경우, 병리 이미지의 특성이 매우 다를 수 있는데, 이러한 환경에서도 병리 이미지 알고리즘이 잘 작동되는지 알기 위해서 다른 여러 의료기관에서 데이터 세트를 추출하여 성능 평가를 거쳐야 합니다.