Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

폐암은 전 세계적으로 공중 보건에 있어 가장 위협적인 위협 중 하나로 남아 있는데, 이는 조기 발견이 생사와 직결되는 경우가 많기 때문입니다. 이 질병을 찾아내는 표준 방법은 X선을 사용하여 가슴의 상세한 3차원 사진을 찍는 과정인 컴퓨터 단층 촬영(CT)을 포함합니다. 이러한 영상은 폐 내부의 복잡한 구조를 드러내어 의사들이 결절이라고 불리는 작고 비정상적인 성장을 관찰할 수 있게 해줍니다. 그러나 이러한 스캔 영상을 판독하는 것은 수천 장의 이미지를 걸러내기 위해 고도로 훈련된 전문가를 필요로 하는 까다로운 작업이며, 이는 진단을 지연시키고 의료 접근성을 제한하는 병목 현상이 될 수 있습니다. 최근 몇 년 동안, 이러한 전문가들을 돕기 위한 새로운 종류의 도구가 등장했습니다: 바로 인공지능입니다. 구체적으로, 연구자들은 인간의 뇌에서 영감을 얻은 컴퓨터 프로그램인 신경망을 개발해 왔으며, 이는 사람이 하는 것처럼 이미지 속의 패턴을 인식하는 법을 배울 수 있습니다. 이러한 네트워크가 사진을 위해 특별히 설계되었을 때 이를 합성곱 신경망(convolutional neural networks)이라고 부릅 합니다. 이들은 이미지를 스캔하고 결절의 모양이나 질감과 같은 가장 중요한 특징을 강조함으로써, 그것이 위험한 것인지 판단하는 데 도움을 줍니다.

아르헨티나 부에노스아이레스의 우니베르시다드 아베르타 인터아메리카나(Universidad Abierta Interamericana)의 파블로 라미레스 아마도르(Pablo Ramirez Amador)가 수행한 최근의 과학 문헌 검토는 이러한 컴퓨터 시스템이 현재 폐암 검출에 어떻게 사용되고 있는지를 면밀히 살펴봅니다. 이 연구는 2015년부터 현재까지 발표된 96개의 연구 논문을 검토하였으며, 해당 분야에서 가장 관련성 높은 연구를 찾기 위해 주요 과학 데이터베이스를 검색했습니다. 목표는 단 하나의 새로운 기계를 테스트하는 것이 아니라, 어떤 방법이 가장 효과적인지 그리고 가장 큰 장애물이 어디에 남아 있는지를 이해함으로써 기존 연구의 전체 지형을 그려내는 것이었습니다. 연구진은 유망한 결과를 보여준 두 가지 특정 기술, 즉 전이 학습(transfer learning)과 데이터 증강(data augmentation)에 초점을 맞추었습니다. 전이 학습은 고양이 나 자동차와 같은 일반적인 사물을 인식하도록 이미 학습된 컴퓨터 프로그램이 폐 결절을 찾아내는 특정 작업에 적응할 수 있도록 하여 시간과 자원을 절약하게 해줍니다. 데이터 증강은 기존 이미지를 회전시키거나, 크기를 변경하거나, 약간의 시각적 노이즈를 추가하는 방식으로 기존 이미지를 약간 변형하여 더 많은 훈련 자료를 만드는 방법으로, 이를 통해 컴퓨터가 동일한 사물의 훨씬 더 많은 변형을 보게 하여 더욱 견고하게 학습할 수 있도록 합니다.

이 검토는 이러한 인공지능 도구들이 폐암의 조기 진단을 위한 매우 효과적인 대안을 제공할 수 있으며, 종종 인간 전문가의 민감도 및 특이도와 일치한다는 것을 발견했습니다. 분석된 연구들은 VGG16 또는 ResNet으로 알려진 사전 학습된 네트워크를 데이터 증강과 결 combinar(결합)하여 사용하는 것이 가장 흔한 형태의 질병인 비소세포폐암을 식별하는 데 높은 정확도를 이끌어낸다는 것을 보여주었습니다. 컴퓨터 모델은 CT 스캔의 복잡한 데이터를 처리하고 잠재적인 문제를 정밀한 수준으로 표시할 수 있으며, 이는 이들이 진단 과정의 필수적인 부분이 될 수 있음을 시사합니다. 그러나 이 논문은 또한 이 기술이 아직 모든 병원에서 즉시 광범위하게 사용할 준비가 된 완성된 제품은 아니라는 점을 분명히 합니다. 연구진은 이러한 도구들이 실제 임상 환경에서 신뢰받기 전에 해결되어야 할 중요한 과제들을 확인했습니다. 한 가지 주요 문제는 표준화된 데이터의 부족입니다. 서로 다른 병원들은 서로 다른 기계와 프로토콜을 사용하며, 이는 컴퓨터 모델을 혼란스럽게 할 수 있습니다. 또한 환자 정보의 개인정보 보호 문제와 더불어, 의사들이 받는 조언을 신뢰할 수 있도록 컴퓨터가 어떻게 결론에 도달하는지를 정확히 이해해야 하는 '설명 가능성(explainability)'이라는 품질에 대한 심각한 우려도 존재합니다.

궁극적으로, 이 연구는 인공지능이 폐암 환자 치료를 개선할 엄청난 잠재력을 가지고 있지만, 인간 의사를 대체하는 마법 같은 해결책은 아니라고 결론짓습니다. 앞으로 나아가기 위해서는 알고리즘을 정교화하기 위한 더 많은 연구와, 이들이 안전하고 신뢰할 수 있으며 윤리적임을 보장하기 위한 새로운 규제가 필요합니다. 이 검토는 폐암 검출의 미래가 이러한 강력한 컴퓨터 시스템이 '두 번째 눈' 역할을 하여 질병을 더 일찍, 더 정확하게 포착하도록 돕는 파트너십에 달려 있다고 제안하지만, 이는 과학계가 현재의 데이터 품질 및 모델 투명성에 관한 한계를 해결할 때만 가능합니다. 그때까지 이 기술은 완전히 실현된 표준 치료법이라기보다는, 임상 현장에 안전하게 도입되기 위해 필요한 단계들을 기다리고 있는 강력한 약속으로 남아 있습니다.