A foundation-model-powered AI system with post-read alerts and concurrent assistance improves gastric biopsy diagnosis across 29 pathological categories

병리학자를 아주 작은, 염색된 조직 조각 속에서 미스터리를 풀려는 탐정이라고 상상해 보십시오. 보통 그들은 단 몇 가지 단서만을 찾아야 합니다. "암이 있는가? 특정 종류의 암인가?" 하지만 실제 세상에서 조직은 위험한 종양부터 전암 단계의 변화, 눈에 보이지 않는 박테리아, 그리고 무해한 혹에 이르기까지 한 번에 29가지의 서로 다른 비밀을 숨기고 있을 수 있습니다. 이 모든 것을 한꺼번에 찾아내는 것은 마치 탐정에게 100페이지짜리 보고서를 읽으면서 동시에 건초더미 속에서 바늘, 잃어버린 귀걸이, 거미, 그리고 특정한 종류의 먼지를 모두 찾아내라고 요구하는 것과 같습니다.

이 논문은 이 29가지의 단서를 동시에 처리할 수 있는 새로운 AI "슈퍼 탐정"을 소개합니다. 이 AI가 어떻게 작동하는지, 무엇을 발견했는지, 그리고 여전히 어떤 부분에서 연습이 필요한지에 대해 설명합니다.

마법 같은 기억력을 가진 슈퍼 탐정

과거의 대부분의 AI 탐정들은 단 두세 가지만 찾도록 훈련되었습니다. 그러나 이 새로운 시스템은 "파운데이션 모델(foundation model)"을 사용하여 구축되었습니다. 이것은 마치 탐정이 위 생검 조직을 보기 전에 인체의 모든 종류의 조직에 관한 수백만 권의 책을 이미 읽은 상태와 같습니다. 이들은 단순히 위 슬라이드만을 배운 것이 아니라, 전신의 70,618개 전체 슬라이드 이미지를 통해 학습했습니다.

이 AI는 이러한 거대한 출발점을 가졌기 때문에, 모든 것을 처음부터 배울 필요가 없었습니다. 연구진은 이 AI에게 29가지 특정 범주를 식별하는 법을 가르치기 위해 단 10,462개의 위 생검 조직만을 보여주면 되었습니다. 더욱 놀라운 점은, AI가 누군가 그림 위에 원을 그려 보여준 적이 없음에도 불구하고, 정확히 어디가 문제인지(예: 종양 주위에 빨간색 원을 그리는 것과 같이) 찾아내는 법을 배웠다는 것입니다. AI는 병원 기록에 적힌 최종 진단문만을 보고 스스로 위치를 파악해 냈습니다.

AI가 도움을 주는 두 가지 방식

연구진은 이 AI를 자동차의 새로운 안전 기능을 테스트하는 것처럼 두 가지 매우 다른 방식으로 테스트했습니다.

1. "사후 검토(Post-Read)" 안전망
첫째, 그들은 AI를 "사후 검토 알림 시스템"으로 시도했습니다. 선생님이 시험지를 채점한 후, 첫 번째 채점자가 놓쳤을지도 모르는 실수를 찾아내기 위해 매우 빠른 두 번째 채점자에게 채점지를 넘기는 상황을 상상해 보십시오.

• 시뮬레이션: 연구진은 네 곳의 병원 기록(4,679개 사례 포함)을 가져와 의사들이 이미 업무를 마친 후에 AI를 실행했습니다.
• 결과: AI는 기존 기록에서 놓쳤거나 무해한 것으로 잘못 분류했던 17건의 암 사례를 찾아냈습니다. 숙련된 병리학자가 이 특정 사례들을 검토했을 때, 그들은 "AI가 맞았고, 원래의 기록이 틀렸다"며 동의했습니다.
• 주의점: 이것은 시뮬레이션이었습니다. AI가 실시간으로 이러한 오류를 실제로 막은 것은 아니며, 만약 AI가 그 자리에 있었다면 어떤 일이 일어났을지를 보여준 것뿐입니다. 하지만 이는 AI가 사후에 실수를 잡아내는 강력한 안전망 역할을 할 수 있음을 증명했습니다.

2. "동시 수행(Concurrent)" 부조종사
다음으로, 그들은 AI를 "동시 보조" 시스템으로 테스트했습니다. 이것은 탐정이 단서를 보고 있는 동안 옆에 앉아서 짚어주는 부조종사와 같습니다.

• 실험: 6명의 병리학자가 120개의 슬라이드를 두 번씩 검토했습니다. 한 번은 스스로, 또 한 번은 AI가 의심스러운 영역을 다양한 색상(암은 빨간색, 전암 단계는 노란색, 조직 변화는 초록색, 박테리아는 파란색 테두리)으로 강조 표시하며 검토했습니다.
• 결과: AI의 도움을 받으면서 병리학자들은 암을 발견하는 능력이 향려졌습니다. 성공률이 92.2%에서 94.8%로 높아졌습니다. 또한 그들은 "중첩 형성(metaplasia, 특정 유형의 조직 변화)"을 찾는 능력도 94.2%에서 97.4%로 상승했습니다.
• 속도: 그들은 또한 작업 속도를 약간 높여, 슬라이드당 평균 시간을 43.8초에서 41.1초로 단축했습니다.
• 한계: 이 특정 테스트에서 AI는 박테리아(H. pylori)를 발견하거나 전암 단계인 "이형성증(dysplasia)"을 찾는 데 큰 도움을 주지 못했습니다. 논문은 이것이 해당 단서들이 보기 더 어렵거나, AI의 강조 표시가 해당 작업에 유용하지 않았기 때문일 수 있다고 시사합니다.

"슈퍼 러너(Super-Learner)" vs "열심히 일하는 학생(Hard Worker)"

이 논문에서 가장 흥кси되는 부분 중 하나는 두 가지 유형의 학습 간의 비교입니다.

• "열심히 일하는 학생": 처음부터 학습하는 모델로, 도서관의 모든 책을 첫 페이지부터 읽어야 하는 학생과 같습니다. 이 모델은 10,462개의 슬라이드를 공부했음에도 불구하고 까다로운 특정 암을 찾는 데 어려움을 겪었습니다.
• "슈퍼 러너" (파운데이션 모델): 방대한 사전 학습을 거친 이 모델은 단 400개의 슬라이드(암 200개, 비암 200개)만을 보여주었습니다.
• 충격적인 결과: 단 400개의 슬라이드만 본 "슈퍼 러너"가 10,000개 이상의 슬라이드를 공부한 "열심히 일하는 학생"보다 더 나은 성과를 냈습니다. "슈퍼 러너"는 암을 찾는 데 있어 0.9906이라는 완벽에 가까운 점수를 기록하며, "열심히 일하는 학생"의 최고 점수인 0.9755를 앞질렀습니다. 이는 광범위하고 기존에 존재하는 지식 기반을 갖는 것이 단순히 많은 데이터를 암기하는 것보다 훨씬 더 강력하다는 것을 시사합니다.

이 논문이 말하지 않는 것들

이 AI가 아직 무엇을 하지 못했는지 아는 것이 중요합니다.

• 대체물이 아닙니다: 논문은 이 AI가 병리학자를 대체할 수 있다고 말하지 않습니다. 사실, 이 AI는 그들과 함께 일하도록, 즉 두 번째 눈이 되거나 안전망이 되도록 설계되었습니다.
• 모든 것에 완벽하지 않습니다: AI는 여전히 학습할 사례가 부족하여 매우 희귀한 유형의 종양을 찾는 데 어려움을 겪습니다.
• 속도를 위한 마법의 탄환이 아닙니다: AI가 병리학자들을 약간 더 빠르게 만들긴 했지만, 논문은 박테리아(H. pylori)를 찾는 일은 여전히 매우 자세히 들여다봐야 하는 느리고 신중한 작업이며, AI가 이를 크게 가속화하지 못했다고 언급했습니다.
• 최종 판결이 아닙니다: "사후 검토" 결과는 시뮬레이션이었습니다. 논문은 AI가 실제 생활에서 어떻게 작동하는지 증명하기 위해, 병원에서 실제로 사용되는 과정에서의 "전향적 연구(prospective studies)"가 필요하다고 주장합니다.

결론

이 논문은 방대한 일반 지식을 바탕으로 구축된 AI가 매우 적은 양의 특정 훈련 데이터만으로도 29가지의 서로 다른 위 질환을 놀라운 정확도로 찾아낼 수 있음을 보여줍니다. 이는 이 AI를 놓친 오류를 잡는 "안전망"이자 의사가 암을 더 빨리 찾도록 돕는 "부조종사"로 사용하는 것이 유망한 길임을 시사합니다. 그러나 저자들은 시뮬레이션과 통제된 테스트에서는 수치가 훌륭해 보이지만, 실제 세상에서의 테스트는 이제 시작일 뿐이라는 점을 주의 깊게 명시하고 있습니다. 이 AI는 강력한 새로운 도구이지만, 탐정 사무실에서 완벽한 파트너가 되기 위해 여전히 배우는 과정에 있습니다.