AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge

인체라는 활기찬 도시를 상상해 보세요. 그곳에는 박테리아나 곰팡이 같은 아주 작은 침입자들이 깨진 창문(피부의 작은 상처)을 통해 몰래 잠입하려 합니다. 보통 우리의 면역 체계는 경계가 삼엄한 경찰 조직처럼 행동하며 이들을 발견하고 저지합니다. 하지만 때때로 이 침입자들은 도시의 건물(뼈와 조직)을 파괴하고 끔찍한 통증을 유발하는 장기적이고 끈질긴 캠프를 차리기도 합니다. 이것이 바로 마이세토마(mycetoma)라는 질병입니다. 이는 의사들이 상황을 파악할 수 있는 화려한 도구를 갖추지 못한 곳에서 자주 발생하는 아주 교활한 말썽꾸러기입니다. 이를 진단하기 위해 의사는 현미경으로 감염된 조직의 아주 작은 조각을 관찰하여, 침입자들이 만든 '알갱이(grains)'라고 불리는 작은 덩어리들을 찾아내야 합니다. 문제는 이 알갱이를 찾고 그것이 정확히 어떤 종류의 적(박테리아인지 곰팡이인지)인지 파악하는 것이 마치 안개가 낀 안경을 쓰고 건초더미 속에서 특정 종류의 바늘을 찾는 것만큼 어렵다는 점입니다. 여기에는 고도로 훈련된 전문가가 필요하지만, 정작 이 질병이 가장 흔하게 발생하는 곳에는 그런 전문가들이 부족한 경우가 많습니다.

여기서 인공지능(AI)이 등장합니다. AI는 절대 지치지 않는 초강력 성능의 안경 역할을 합니다. 연구자들이 던져온 핵심 질문은 이것입니다. "컴퓨터에게 이 미세한 사진들을 보고, 나쁜 덩어리를 찾아내며, 그 덩어리가 정확히 어떤 종류의 세균인지 구별하도록 가르칠 수 있을까?" 만약 컴퓨터가 이 일을 할 수 있다면, 이는 외딴 지역에 사는 사람들에게 화면 속의 '가상 전문가'를 제공함으로써 게임의 판도를 바꾸는 혁신적인 변화가 될 것입니다.

위대한 현미경 경주: 보이지 않는 침입자를 포착하도록 컴퓨터를 가르치다

2024년, 한 과학자 그룹은 'mAIcetoma 챌린지'라는 고도의 긴장감이 흐르는 경주를 조직했습니다. 이것을 거대한 국제 비디오 게임 토너먼트라고 생각하면 됩니다. 다만 참가자들이 자동차 경주를 하거나 용과 싸우는 대신, 컴퓨터 프로그래머와 데이터 과학자 팀들이 최고의 AI 탐정을 만들기 위해 경주를 벌였다는 점이 다릅니다. 그들의 임무는 무엇이었을까요? 병리 조직 이미지(화려한 색상의 조직 단면 사진)를 보고 두 가지 일을 해내는 알고리즘을 만드는 것이었습니다. 첫째, 질병의 '알갱이'를 찾아내는 것, 둘째, 그 알갱이가 박테리아에 의한 것인지 곰팡이에 의한 것인지 구별하는 것입니다.

주최 측은 참가 팀들에게 'MyData'라고 불리는 거대하고 표준화된 사진 앨범을 건네주었습니다. 이 앨범에는 127명의 환자로부터 얻은 766장의 조직 사진이 담겨 있었습니다. 공정한 경쟁을 위해 이 앨집은 연습 세트(학습), 퀴즈 세트(검증), 그리고 최종 시험(테스트)의 세 부분으로 나뉘었습니다. 팀들은 연습 세트를 사용하여 AI 모델을 학습시켜야 했으며, 정답을 훔쳐보지 않고도 최종 시험을 처리할 수 있음을 증명해야 했습니다.

참가자들과 그들의 초능력

다섯 팀이 결선에 진출했으며, 각 팀은 마치 슈퍼히어로 팀업처럼 서로 다른 전략을 들고 나왔습니다.

• **팀 에이드리언(Team Adrian)**은 꼼꼼한 사서처럼 행동했습니다. 그들은 AI를 가르치기 전, 중복된 사진을 제거하고 엉망인 라벨을 수정하며 사진 앨범을 정리하는 데 많은 시간을 보냈습니다. 그들은 학생에게 깨끗하고 잘 정리된 교과서를 주어야 더 잘 배울 수 있다고 믿었습니다. 그들은 다섯 개의 서로 다른 AI 모델이 투표하여 다수가 결정하는 방식인 '앙상블 학습(ensemble learning)'을 사용했습니다.
• **팀 마카롱(Team Macaroon)**은 2단계 기계를 만들었습니다. 먼저, 그들의 AI는 알갱이가 숨어 있는 특정 영역만을 비추는 스포트라이트 역할을 했습니다(세그멘테이션). 그다음, 두 번째 AI가 오직 그 스포트라이트가 비추는 영역만을 보고 어떤 종류의 세균인지 결정했습니다. 그들은 지저도한 전체 사진을 보면서 세균의 종류를 추측하려고 하는 것이 너무 산만하다는 것을 깨달았습니다.
• **팀 미니언즈(Team Minions)**는 '하이브리드' 접근 방식을 시도했습니다. 그들은 알갱이를 찾고 세균의 종류를 추측하는 것을 동시에 학습하는 시스템을 구축했습니다. 심지어 그들은 알갱이의 모양과 색상에 대한 수학적 묘사인 '수작업 클루(handcrafted clues)'를 AI에게 제공하여, 이러한 추가적인 힌트가 도움이 되기를 기대했습니다.
• **팀 타이거(Team Tiger)**는 '돋보기' 전략을 사용했습니다. 그들의 AI는 지루한 배경은 무시하고 이미지의 가장 중요한 부분에 집중할 수 있게 돕는 특별한 '주의 집중 메커니즘(attention mechanisms)'을 갖추고 있었습니다. 또한 그들은 세 개의 서로 다른 AI 부분이 서로 답에 동의하도록 가르쳐 전체 시스템을 더 똑똑하게 만드는 '교차 지식 증류(Cross Knowledge Distillation)'라는 기술을 사용했습니다.
• 팀 VSI는 '플러그 앤 플레이(plug-and-play)' 방식을 택했습니다. 그들은 로봇이 맞춤 제작한 옷처럼 데이터에 맞춰 자동으로 조정되는 사전 제작된 자가 구성 AI 도구(nnU-Net)를 사용했습니다. 그들은 탐지된 알갱이의 가장자리를 날카롭게 다듬는 마지막 폴리싱 단계를 추가했습니다.

결과: 경주의 승자는 누구인가?

최종 점수가 집계되었을 때, 결과는 인상적이었습니다. 다섯 팀 모두 놀라운 정확도로 알갱이를 찾아냈으며, 가중치 척도에서 91% 이상의 점수를 기록했습니다. 결국 알갱이를 찾아내는 것은 어떤 특정 전략을 사용하든 현대 AI가 이미 매우 잘 수행하는 작업임이 드러났습니다.

하지만 두 번째 과제인 박테리아형과 곰팡이형의 차이를 구별하는 것은 훨씬 더 어려웠습니다. 여기서 점수 차이가 크게 벌어졌습니다. 팀 에이드리언은 두 카테고리 모두에서 1위를 차지하며, 알갱이 탐지에서 93.56%, 분류에서 96.14%의 가중치 점수를 기록했습니다. 팀 마카롱이 근소한 차이로 2위를 차지했습니다.

가장 놀라운 발견은 누가 이겼느냐가 아니라, '어떻게' 이겼느냐였습니다. 논문에 따르면 모든 것을 압도하는 단 하나의 '완벽한' AI 구조는 존재하지 않습니다. 대신 성공의 열쇠는 데이터를 신중하게 정제하고, 이미지의 올바른 부분에 집중하는 스마트한 전략을 사용하며, 때로는 여러 AI 모델이 함께 투표하게 하는 등의 조합에 있었습니다. 흥란하게도, 팀 미니언즈는 알갱이의 모양에 대한 '수작업 클루'를 추가하는 것이 AI가 사진으로부터 스스로 학습하는 것보다 성능을 높이는 데 도움이 되지 않는다는 것을 발견했습니다. 이는 데이터가 좋다면 AI가 스스로 중요한 세부 사항을 파악할 만큼 충분히 똑똑하다는 것을 시사합니다.

미래를 위한 의미

이 논문은 AI가 전문 병리사가 찾기 힘든 곳에서 의사들이 마이세토마를 진단하는 데 확실히 도움을 줄 준비가 되어 있다고 결론짓습니다. 이번 챌린지는 우리가 이러한 질병을 포착할 수 있는 신뢰할 수 있는 도구를 구축할 수 있음을 입증했습니다. 그러나 저자들은 이것이 시작일 뿐이라는 점을 주의 깊게 언급했습니다. 현재의 AI 모델들은 특정 세트의 사진들로 학습되었으므로, 전 세계 모든 병원에서 사용되기 위해서는 다양한 유형의 이미지와 염색법을 통한 더 많은 연습이 필요할 수 있습니다.

핵적인 교훈은, 기술이 강력하긴 하지만, 그 '비법 소스'는 단순히 화려한 새로운 컴퓨터 프로그램이 아니라 데이터의 품질과 그것을 준비하는 데 들이는 정성이라는 것입니다. 훌륭한 요리를 만들기 위해 요리사가 신선한 재료가 필요한 것처럼, AI가 훌륭한 진단을 내리기 위해서는 깨끗하고 잘 정리된 데이터가 필요합니다. 이번 챌린지는 인간과 기계 사이의 올바른 팀워크가 있다면, 우리가 가장 끈질긴 소외된 질병들까지도 해결할 수 있다는 것을 보여주며 새로운 기준을 세웠습니다.