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 디지털 병리학 시장 규모는 5억 1,330만 달러, 약 5,722억 원을 기록했으며, 오는 2025년까지 8.2%의 연평균 성장률을 보이며 8억 2,590만 달러, 약 9,206억 원에 달할 것으로 전망했습니다. 인공지능을 활용한 병리 영상 분석 방법과 분석모델 개발 시에 고려할 점들에 대해 자세히 알아보도록 하겠습니다.
인공지능 병리 영상분석의 목표
최근 병리학 분야에서 암 진단은 점점 복잡해지고 세분화되고 있으며, 암 조직과 암 조직 주변의 염증세포, 혈관 등과의 사이의 위치 관계 등에 대해서 해석을 해야하는 경우가 점점 증가하고 있습니다. 한편으로는 환자의 기본정보, 혈액 분석 정보 및 유전자 분석과 같은 다양한 의료정보를 통합적으로 분석한 데이터 기반의 진단을 요구받고 있습니다. 게다가 암 진단을 위해서 수행되는 면역 검사로 생기는 다양한 바이오마커의 발현도 재현성 있게 수치화하여 진단을 수행해야 합니다. 이러한 다양한 관점에서 환자 조직과 환자 상태를 파악해야 하는 병원의 의사들은 다양한 인공지능 기반의 알고리즘을 병리 진단에 활용하기 시작하였습니다. 병리 영상 분석을 위한 알고리즘은 비정상 조직을 구별하여 더 세밀한 진단을 하기 위한 진단 스크리닝, 정상 조직 내에 있는 암 조직의 형태와 크기, 모양을 구체적으로 데이터화하는 형태 계측 분석, 환자의 검진 및 검사로 생성되는 다른 진단 데이터들과 결합하여 예후 및 치료반응 예측, 조직에서 가능성 있는 병의 가능성을 있는 순서대로 나열하는 감별진단 제시 등을 목표로 하고 있습니다. 인공지능 병리 영상분석의 궁극적인 목적은 병리 진단의 수준을 높여 환자들이 최선의 치료를 받게끔 하는 것입니다. 구체적으로는 다음의 4가지 정도로 정리해볼 수 있겠습니다.
인공지능 병리 영상분석의 궁극적인 목적
먼저 정확한 진단입니다. 전립선암 환자는 혈액검사에서 전립선특이 항원, 즉 PSA 수치가 높아진 경우, 전립선 조직에서 미세한 조직을 얻어내는 생검을 받게 됩니다. 생검을 통해 얻은 조직에서 암이 발견되면 전립선 전체를 절제하는 수술을 받게 되고 암이 발견되지 않으면 수술을 받지 않게 됩니다. 전립섭 조직의 생검은 전립선의 12군데에서 시행하게 되는데, 암의 크기가 0. 5mm가 되지 않을 정도로 아주 작을 수도 있습니다. 이러한 경우에 자칫하여 암이 발견되지 못하게 되면 환자는 적절한 치료를 받을 수 없게 됩니다. 이처럼 병리 진단은 환자의 치료 방침 결정에 결정적인 역할을 하기 때문에 무엇보다 정확한 진단이 이루어져야 합니다. 많은 인공지능 기반의 병리 진단 알고리즘은 정확한 진단을 위해 개발되고 있습니다. 실제로 유방암의 림프절 전이 여부를 찾아낼 때, 병리 의사가 단독으로 판독하였을 때, 진단 오류율이 3. 5%가량인데 비해서 인공지능 기반 림프절 암 전이 탐지 알고리즘을 활용하여서 병리 의사의 진단을 보조하도록 한 결과 진단의 오류율을 0. 5% 정도로 매우 많이 낮출 수 있었습니다. 두 번째로 표준화된 진단입니다. 유방암 환자에서 Herceptin이라는 유방암 표적치료제를 사용하려면 HER2에 유전자가 과발현 되는 것이 확인되어야 합니다. HER2 유전자 과발현 여부를 확인하기 위해서 채취한 암 조직에서 면역 조직화 검사를 수행하여 일정 수준 이상이나 조금 낮지만 추가적인 형광 현장 혼성 화법이나 실버동 소교 잡 반응 검사 등에서 이상이 발견된 경우에 확인이 가능합니다. 암 조직 내에서 HER2 면역염색검사를 시행하면 종양 조직의 군데군데에서 전형적이지 않은 발현 패턴을 보이는 경우가 있어서 HER2의 과발현 여부를 정확하게 평가하기 어려운 경우들이 발생합니다. 그 결과 암 조직 진단에 고도로 훈련받은 병리 의사조차도 의사 개개인 별로 과발현 여부의 평가 결과가 차이 나는 경우가 심심치 않게 발견됩니다. 과발현에 대한 진단 차이는 표적치료제 적용 여부와 직결되기 때문에 어떤 병리의사가 판독하였느냐에 따라서 유방암 환자 치료에 있어서 Herceptin 사용 여부에 차이가 발생할 수도 있게 됩니다. 인공지능 기반 병리 알고리즘은 동일 조직에 있어서 재현성이 매우 우수한 특성상 정량평가에 강점이 있으므로 진단 결과의 표준화를 위해서는 병리 영상분석 알고리즘이 크게 도움 될 수 있습니다. 세 번째는 예측 진단입니다. 현재의 병리 진단은 암세포와 암 조직의 형태적 특성을 면밀하게 분석하는 진단이 주를 이루고 있습니다. 최근 연구 결과 암 조직과 암 조직 내의 염증세포 등 다양한 종양 주변의 인자들과의 배치 및 거리와 같은 공간적인 관계가 환자의 예후 및 치료제의 치료 반응성과 관련이 있다는 연구 결과가 많이 제시되고 있습니다. 인공지능 기반의 영상분석 알고리즘을 활용하면 암 조직과 주변 조직을 인지하고 공간적인 관계의 특징을 수치적으로 추출할 수 있으므로 현재보다 더 정밀한 수준으로 환자의 예후를 예측하고 환자에게 가장 적합한 치료방침을 결정할 수 있는 근거를 제시할 수 있게 될 것입니다. 네 번째로 효율적 진단입니다. 위장관 기질 종양은 양성에서부터 악성까지 다양한 임상 행동 양상을 가지고 있습니다. 이러한 종양의 임상 행동 양상을 결정하는 가장 중요한 요인 중 하나가 유사분열의 개수입니다. 병리 의사는 현미경 400배의 고배율로 총 50군데를 관찰하여 유사분열의 수를 수동적으로 세고 있습니다. 적절한 부위를 찾은 후에 유사분열의 개수를 세는 일은 노동집약적이고 시간이 많이 소모되는 일입니다. 인공지능 기반의 유사분열을 찾아 세는 알고리즘을 활용한다면 의사의 집중력을 조직의 전반적인 관찰과 같은 훨씬 효율적인 일에 활용할 수 있을 것입니다.