Exploring learning environments for label\-efficient cancer diagnosis

암은 현대 의학에서 가장 강력한 도전 과제 중 하나로 남아 있으며, 수많은 생명을 앗아가고 전 세계 보건 시스템에 막대한 부담을 주는 질병입니다. 암과 싸우는 데 있어 결정적인 단계는 의사가 현미경으로 조직 샘토를 관찰하여 암이 퍼지기 전에 종양을 찾아내는 조기 진단입니다. 조직병리학이라고 알려진 이 과정은 숙련된 전문가가 건강한 조직과 암성 성장을 구별하는 데 의존합니다. 그러나 이러한 수작업은 느리고 소모적입니다. 단 하나의 슬라이드를 분석하는 데에도 전문가는 최대 30분이 걸릴 수 있으며, 이러한 전문 인력에 대한 수요는 종종 공급을 초과합니다. 진료 속도를 높이기 위해 과학자들은 컴퓨터에게 이미지 속의 암 패턴을 인식하도록 가르치는 데 집중해 왔습니다. 수년 동안 이러한 컴퓨터 시스템은 무엇을 찾아야 하는지 학습하기 위해 인간 전문가가 정성스럽게 라벨을 붙인 방대한 이미지 라이브러리를 필요로 했습니다. 이렇게 라벨링 된 이미지를 수집하는 것은 어렵고 비용이 많이 들며 시간이 오래 걸리는 작업으로, 이러한 도구의 개발과 활용 속도를 제한하는 병목 현상을 만들어냅니다.

자미아 밀리아 이슬라미아 대학교와 홍콩 중국 대학교 연구진의 새로운 연구는 이 병목 현상을 우회하는 방법을 탐구합니다. 그들은 컴퓨터가 모든 이미지를 인간이 라벨링 하지 않고도 효과적으로 암을 진단하는 법을 배울 수 있는지 조사했습니다. 연구팀은 이 컴퓨터 시스템을 가르치는 세 가지 서로 다른 방법을 테스트했습니다. 첫 번째 방법인 지도 학습(supervised learning)은 전통적인 방식으로, 컴퓨터가 완전히 라벨링 된 이미지만으로부터 학습하는 방식입니다. 두 번째 방법인 준지도 학습(semi-supervised learning)은 적은 수의 라벨링 된 이미지로부터 학습하는 동시에, 훨씬 더 많은 양의 라벨링 되지 않은 이미지들을 살펴보며 패턴을 찾아내도록 합니다. 세 번째 방법인 자기지도 학습(self-supervised learning)은 라벨링 되지 않은 이미지만을 사용하여 컴퓨터를 가르치며, 어떤 이미지가 다른 이미지와 유사하게 만드는지에 대한 스스로의 규칙을 발견하도록 요청합니다. 연구진은 두 번째와 세 번째 방법이 특히 유방암, 폐암, 신장암이라는 세 가지 흔한 암 유형에 대해 전통적인 완전 라벨링 방식의 성능을 따라잡을 수 있는지 확인하고자 했습니다.

이 아이디어들을 테스트하기 위해 연구진은 세 가지 뚜렷한 의료 이미지 세트를 수집했습니다. 한 세트는 약 8,000장의 유방 조직 이미지를 포함했고, 다른 하나는 16,000장이 넘는 폐 조직 이미지를, 세 번째는 7,000장 이상의 신장 조직 이미지를 포함했습니다. 이 이미지들은 서로 다른 출처와 형식을 가지고 있어 결과의 견고함을 보장했습니다. 연구팀은 이후 일곱 가지의 서로 다른 훈련 시나리오를 만들었습니다. 첫 번째 시나리오에서는 완전히 라벨링 된 이미지만을 사용했습니다. 다음 다섯 가지 시나리오에서는 라벨링 된 이미지와 라벨링 되지 않은 이미지를 절반씩 섞는 것부터 라벨링 된 이미지가 단 10%인 상황까지 다양한 비율로 혼합하여 사용했습니다. 마지막 시나리오에서는 라벨-링 되지 않은 이미지만을 사용했습니다. 이 다양한 데이터 세트들을 이미지의 패턴을 인식하도록 설계된 세 가지 강력한 기존 컴퓨터 모델에 입력했습니다. 이 모델들은 각 이미지를 양성(benign), 즉 해롭지 않은 상태인지 또는 악성(malignant), 즉 암인 상태인지 분류하도록 요청받았습니다.

결과는 학습 방법이 얼마나 잘 작동하는지에 대한 명확한 계층 구조를 보여주었습니다. 예상대로, 오직 완전히 라벨링 된 이미지만을 사용하는 전통적인 방식이 가장 정확한 결과를 냈습니다. 그러나 라벨링 된 데이터와 라벨링 되지 않은 데이터를 혼합하여 사용하는 준지도 학습 방식은 놀라울 정도로 근접한 성과를 보였습니다. 많은 경우, 적은 비율의 라벨링 된 데이터만으로 훈련된 컴퓨터 모델은 모든 라벨링 된 데이터를 사용해 훈련된 모델과 거의 대등한 성능을 보였습니다. 예를 들어, 신장암을 진단할 때 30%의 라벨링 된 이미지와 70%의 라벨링 되지 않은 이미지를 사용해 훈련된 모델은 거의 98%의 정확도를 달 기록했는데, 이는 모든 라벨링 된 데이터로 훈련된 모델과 매우 유사한 수치입니다. 라벨링 된 데이터의 양이 단 10%로 줄어들었을 때도 성능은 여전히 강력하게 유지되었습니다. 이는 컴퓨터가 라벨링 되지 않은 이미지로부터 귀중한 교훈을 얻을 수 있으며, 특정 암의 징후에 집중하기 전에 조직의 일반적인 구조를 이해하는 데 이를 활용할 수 있음을 시사합니다.

라벨링 되지 않은 이미지에 전적으로 의존하는 세 번째 방법인 자기지도 학습은 다른 두 방법보다 낮은 정확도를 기록했습니다. 비록 완전 라벨링 방식이나 준지도 학습 방식의 성능에는 미치지 못했지만, 여 still 불구하고 인간의 지도 없이도 암 패턴을 어느 정도 성공적으로 식별해 냄으로써 컴퓨터가 아무런 가이드 없이도 유용한 정보를 추출할 수 있음을 증명했습니다. 테스트된 세 가지 컴퓨터 모델 중 EfficientNetB0로 알려진 모델이 세 가지 암 유형 모두에서 일관되게 가장 우수한 성능을 보였습니다. 이 모델은 가장 좋은 훈련 조건에서 유방암에 대해 약 92%, 신장암에 대해 98% 이상의 정확도에 도달하며 가장 높은 정확도를 달성했습니다.

본 연구는 효과적인 암 진단을 위해 방대한 양의 라벨링 된 데이터가 반드시 필요하지는 않다는 결론을 내립니다. 연구진은 준지도 학습이 매우 실행 가능한 대안임을 발견했으며, 이를 통해 의료 팀이 적절한 수의 라벨링 된 샘플만을 가지고도 강력한 진단 도구를 구축할 수 있음을 확인했습니다. 이는 기술 개발의 진입 장벽을 낮춘다는 점에서 중요한 발견입니다. 만약 어떤 병원이나 연구소가 수천 장의 라벨링 되지 않은 이미지는 있지만 라벨링 된 이미지는 수백 장뿐이라 하더라도, 여전히 높은 신뢰도로 진단을 보조할 컴퓨터를 훈련시킬 수 있습니다. 이 연구는 자동화된 암 검출의 미래가 단순히 모든 이미지를 라벨링 하는 고된 작업에 달려 있는 것이 아니라, 의료 기록에 이미 존재하는 방대한 양의 라벨링 되지 않은 데이터로부터 학습할 수 있는 스마트한 방법에 달려 있음을 시사합니다.