Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation

의료 영상 분야에서 컴퓨터는 종종 사진의 가장 작은 구성 요소들을 살펴봄으로써 질병을 찾도록 학습됩니다. 의사가 뇌졸중을 확인하기 위해 뇌를 스캔할 때, 그 이미지는 복셀(voxel)이라고 불리는 수백만 개의 작은 입방체로 이루어져 있습니다. 수년 동안 컴퓨터가 이러한 뇌졸중을 포착하도록 훈련하는 표준적인 방법은 전문가의 그림과 얼마나 많은 입방체가 일치하는지를 세는 것이었습니다. 컴퓨터가 손상된 영역의 대부분을 덮으면 높은 점수를 받습니다. 이 방식은 크고 명확한 뇌졸중에는 잘 작동하지만, 아주 작은 뇌졸중에는 어려움을 겪습니다. 뇌졸중은 쌀알만큼 작을 수도 있고 주먹만큼 클 수도 있는데, 컴퓨터의 훈련 과정은 이 작은 것들이 전체 입방체 수에 기여하는 바가 너무 적기 때문에 이를 무시하는 경우가 많습니다. 이는 컴퓨터가 큰 뇌졸중은 완벽하게 찾아내면서도 작고 위험한 것은 완전히 놓치거나, 더 나아가 작은 것을 찾아냈음에도 불구하고 그것이 성공으로 간cent(count)될 만큼 적절한 위치와 연결되지 못해 발생하는 사각지대를 만듭니다.

오슬로 대학 병원의 연구진은 뇌 병변을 탐지하는 능력을 향상시키기 위한 전용 경진대회인 ISLES'26 챌린지를 위해 이 사각지대를 해결하고자 했습니다. 그들은 가장 큰 문제가 컴퓨터의 '두뇌' 설계가 아니라, 컴퓨터가 예측을 내놓은 후 최종 답변을 어떻게 정리(cleanup)하느냐에 있다는 것을 발견했습니다. 그들은 예측이 '적중'했다고 판단하는 데 사용되는 경직된 규칙이, 작은 병변에 대해 약간 빗나간 것에 대해 컴퓨터를 불공평하게 처벌하고 있다는 사실을 발견했습니다. 예측된 영역이 실제 병변과 최소 4분의 1 이상 겹쳐야 한다는 적응형 시스템으로 교체함으로써, 그들은 특정 환자마다 발생하는 뇌졸중의 크기에 맞춰 유연하게 대응했고, 이를 통해 작은 결정적 부상을 찾아내는 컴퓨터의 능력을 획기적으로 개선했습니다.

문제의 핵심은 경진대회가 결과를 판정하는 방식에 있습니다. 심사위원들은 특정 문지기 규칙을 사용합니다. 컴퓨터의 예측이 성공적인 탐지로 인정받으려면, 예측된 영역이 실제 병변과 최소 4분의 1 이상 겹쳐야 합니다. 만약 컴퓨터가 병변을 찾았으나 겹치는 부분이 이 4분의 1 기준에 아주 조금 미달한다면, 시스템은 컴퓨터가 아무것도 찾지 못한 것으로 취급합니다. 이는 '아까운 실패(near-miss)'에 대한 가혹한 처벌입니다. 예를 들어, 어떤 컴퓨터가 작은 뇌졸중을 정확히 식별하여 상당 부분 겹쳤지만, 요구되는 임계값에 아주 살짝 미치지 못했다고 가정해 봅시다. 기존 규칙 하에서는 이 완벽에 가까운 노력이 완전한 실패로 기록되는 반면, 병변을 완전히 놓친 컴퓨터는 동일한 점수를 받게 됩니다. 이러한 불일치는, 최대한 넓은 범위를 덮는 데 집중했던 컴퓨터의 훈련이 이 특정 문지기 테스트를 통과하는 데 도움이 되지 않도록 만들었습니다.

이를 해결하기 위해 연구팀은 '볼륨 조건부 적응형 후처리(Volume-Conditioned Adaptive Post-Processing)'라는 새로운 방법을 개발했습니다. 컴퓨터의 예측에서 아주 작은 노이즈(specks)를 걸러내기 위해 단 하나의 변하지 않는 규칙을 사용하는 대신, 이 새로운 시스템은 특정 환자의 스캔에서 예측된 총 손상량을 살펴봅니다. 만약 컴퓨터가 예측한 손상량이 적다면, 시스템은 매우 관대해져서 아주 작은 파편이라도 놓치지 않도록 유지합니다. 반대로 컴퓨터가 예측한 손상량이 많다면, 시스템은 더 엄격해져서 허위 경보가 될 수 있는 작은 노이즈 파편들을 제거합니다. 이러한 접근 방식은 컴퓨터가 큰 병변에서의 노이즈에 혼란을 느끼지 않으면서도, 가장 작은 뇌졸중을 잡아낼 수 있을 만큼 민감하게 반응할 수 있도록 해줍니다.

연구진은 1,400명 이상의 환자 스캔 데이터셋을 통해 이 방법을 테스트했습니다. 그들은 자신들의 새로운 시스템을 표준 컴퓨터 모델 및 작은 세부 사항에 집중하기 위해 특수한 주의 메커니즘(attention mechanisms)을 사용한 더 복잡한 맞춤형 모델과 비교했습니다. 결과는 컴퓨터의 내부 설계를 변경하는 것도 도움이 되었지만, 그 정도는 미미하다는 것을 보여주었습니다. 진정한 돌파구는 새로운 후처리 방법에서 나왔습니다. 이 적응형 필터를 적용함으로써, 연구팀은 개별 병변의 탐지율을 상당한 수준으로 향상시켰습니다. 실제로 이 간단한 조정을 통해 얻은 개선 효과는 컴퓨터의 구조(architecture)를 변경하여 얻은 개선 효과보다 약 6배나 더 컸습니다.

가장 시사점이 컸던 발견 중 하나는 다양한 지표를 살펴보았을 때 컴퓨터의 성능이 어떻게 변화했는가 하는 점이었습니다. 더 복잡한 새로운 컴퓨터 모델은 작은 병변을 찾는 데 더 뛰어났으며, 탐지율을 거의 4% 높였습니다. 그러나 만약 예측 영역이 실제 영역과 얼마나 겹치는지를 측정하는 표준 점수만을 본다면, 이 개선은 보이지 않았을 것입니다. 컴퓨터는 더 많은 병변을 찾아냈지만, 그 발견된 형태가 겹침 점수를 높일 만큼 충분히 변하지는 않았던 것입니다. 이는 컴퓨터가 질병을 찾는 능력이 훨씬 좋아지더라도 반드시 면적을 덮는 방식 자체가 변해야 하는 것은 아니라는 점을 증명했으며, 이는 표준적인 채점 방식이 흔히 놓치는 미묘한 차이입니다.

연구팀은 또한 환자에게 눈에 보이는 뇌졸중이 전혀 없는 까다로운 예외 상황도 다루었습니다. 이러한 드문 경우에 컴퓨터는 때때로 아주 작은 유령 병변(phantom lesion)을 예측하곤 합니다. 그들의 새로운 시스템에는 실제일 가능성이 너무 낮은 예측은 0으로 만드는 안전 규칙이 포함되어 있어, 건강한 뇌를 허위로 경고하지 않도록 보장합니다. 이러한 세심한 조율을 통해 그들은 모든 병변을 찾아내야 하는 필요성과 허위 경보를 피해야 하는 필요성 사이의 균형을 맞출 수 있었습니다.

결국, 이 연구는 의료 영상 분석에서 결과를 정리하는 방식이 컴퓨터 자체의 설계만큼이나 중요하다는 것을 보여줍니다. 일률적인 방식을 벗어나 각 환자의 스캔에 따른 구체적인 요구에 시스템이 적응하도록 함으로써, 연구진은 작지만 생명을 위협하는 뇌졸중을 찾아내는 능력을 크게 향상시킬 수 있었습니다. 이 작업은 향-의료 AI의 발전이 더 크고 복잡한 모델을 구축하는 것보다, 그들의 성공을 판단하는 구체적인 규칙을 이해하고, 컴퓨터가 가장 중요한 작은 것들을 찾아내는 것에 대해 보상받을 수 있도록 만드는 데서 올 수 있음을 시사합니다.