💻 computer science

Large-Scale Multi-Cancer Detection by Learning Segmentation from Reports

이 논문은 희소한 수동 마스크 없이도 10만 개 이상의 방사선 보고서를 활용하여 종양 분할 모델을 학습시킴으로써, 기존 AI 모델과 인체 방사선 전문의를 모두 크게 능가하는 대규모 다중 암 탐지를 가능하게 하는 새로운 프레임워크인 R-Super를 소개한다.

원저자: Pedro Bassi, Xinze Zhou, Wenxuan Li, Szymon Płotka, Jakob Wasserthal, Jieneng Chen, Ibrahim Ethem Hamamci, Sezgin Er, Jakub Prządo, Zheren Zhu, Gorkem Durak, Wiktoria Romańczyk, Yavuz Taktak, Melih Ak

게시일 2026-07-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pedro Bassi, Xinze Zhou, Wenxuan Li, Szymon Płotka, Jakob Wasserthal, Jieneng Chen, Ibrahim Ethem Hamamci, Sezgin Er, Jakub Prządo, Zheren Zhu, Gorkem Durak, Wiktoria Romańczyk, Yavuz Taktak, Melih Akan, Yuhan Wang, Scott Ye, Qi Chen, Ashwin Kumar, Lizhou Wu, Guang Zhang, Bjoern Menze, Jarosław Ćwikła, Yuyin Zhou, Frank Miller, Yunhe Gao, Akshay Chaudhari, Curtis Langlotz, Ulas Bagci, Sergio Decherchi, Andrea Cavalli, Arkadiusz Sitek, Kang Wang, Yang Yang, Alan Yuille, Zongwei Zhou

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신에게 방대한 양의 의료용 "X선 영화"(CT 스캔) 도서관이 있다고 상상해 보십시오. 하지만 대부분의 영상에는 무엇이 잘못되었는지에 대한 유일한 단서로 의사의 서면 메모만이 남아 있습니다. 수십 년 동안 컴퓨터에게 종양을 찾는 법을 가르치는 것은 마치 실제 영토를 한 번도 보지 못한 채 지도를 그리는 법을 배우는 것과 같았습니다. 방사선 전문의가 3D 스캔의 모든 픽셀을 하나하나 따라가며 "마스크(mask)"라고 불리는 정교한 지도를 직접 그려주어야 했기 때문입니다. 이는 매우 느리고 비용이 많이 드는 작업이었으며, 많은 종류의 암(비장, 담낭, 부신 등)의 경우 이러한 지도 자체가 존재하지 않았습니다.

여기, 게임의 판도를 바꿀 새로운 AI 프레임워크인 R-Super가 등장했습니다. R-Super는 희귀하고 손으로 직접 그린 지도를 기다리는 대신, 의사의 서면 보고서를 읽음으로써 종양을 찾는 법을 배웁니다.

"고스트 헌터(유령 사냥꾼)" 비유
CT 스캔을 거대하고 어두운 동굴이라고 생각해 보십시오. 방사선 전문의의 보고서는 뒤에 남겨진 보물 사냥꾼의 일지와 같습니다. 이 일지는 보물(종양)의 GPS 좌표를 알려주지는 않지만, "비장에 3cm 크기의 검은 바위가 있음" 또는 "방광에 두 개의 작은 밝은 점이 있음"과 같이 설명합니다.

기존의 AI 모델들은 누군가가 정확히 어디에 바위가 있는지 가리켜 주기 전까지는 학습할 수 없는, 눈이 가려진 탐색가와 같았습니다. R-‌Super는 다릅니다. R-Super는 탐정처럼 일지를 읽은 다음 동굴을 스캔합니다. 이 모델은 네 가지 특별한 "규칙"(손실 함수)을 사용하여 보물이 어디에 있어야 하는지 추측합니다:

부피 규칙 (The Volume Rule): 보고서에 바위의 폭이 3cm라고 적혀 있다면, AI는 자신이 찾아낸 "바위"의 총량이 그 크기와 일치해야 한다는 것을 압니다.
공 규칙 (The Ball Rule): 보고서에 두 개의 바위가 있다고 적혀 있다면, AI는 서로 다른 두 개의 "거품" 형태의 높은 확률 영역을 찾고, 각 거품 내부의 가장 밝은 부분이 설명과 일치하도록 만듭니다.
밝기 규칙 (The Brightness Rule): 보고서에 종양이 "어둡다(저감쇠, hypoattenuating)"고 적혀 있다면, AI는 밝은 부분을 무시하고 어두운 부분에 집중하는 법을 배웁니다.
위험 규칙 (The Danger Rule): 병리 보고서에 종양이 "악성(malignant)"이라고 적혀 있다면, AI는 이를 위험한 것으로 표시하는 법을 배웁니다.

중대한 발견
연구진은 미국, 터키, 스위스에서 가져온 127,496개의 CT 스캔과 보고서 쌍을 대상으로 테스트를 진행했습니다. 이들은 특히 마스크(지도)가 부족하거나 존재하지 않는, 즉 찾기가 매우 까다로운 7가지 종양 유형(비장, 담낭, 전립선, 방광, 자궁, 식도, 부신 종양)에 집중했습니다.

놀라운 점은 이것입니다: R-Super는 주요 학습 과정에서 단 하나의 손으로 그린 마스크도 보지 않고, 오직 서면 보고서만을 사용하여 이 종양들을 찾는 법을 배웠습니다.

연구진이 이 보고서 기반 AI를 9개의 주요 공개 AI 모델(구글, 마이크로소프트, 스탠퍼드 등의 모델 포함)과 비교했을 때, R-Super는 압도적인 승리를 거두었습니다. R-Super는 기존 최고의 공개 AI보다 악성 종양을 찾는 정확도가 9%에서 22% 더 높았습니다. 더욱 인상적인 것은, 머리 맞대고 겨룬 테스트에서 R-Super가 6명의 인간 방사선 전문의 그룹보다 56% 더 많은 악성 종양을 발견하면서도 오탐(false alarm) 횟수는 동일하게 유지했다는 점입니다.

이것이 '아닌' 것들
이 논문이 말하고자 하는 바가 아닌 내용을 명확히 아는 것이 중요합니다.

이 논문은 AI가 이제 의사를 대체할 수 있다고 말하는 것이 아닙니다. 논문은 R-Super가 독자적인 진단 도구가 아니라, 의사가 놓칠 수 있는 부분을 포착하도록 돕는 "플래깅(flagging, 표시) 시스템"으로 사용되는 것이 최선이라고 명시하고 있습니다.
이 논문은 보고서가 완벽하다고 주장하는 것도 아닙니다. 이 시스템은 보고서를 읽기 위해 대규모 언어 모델(LLM)을 사용하며, 이 모델은 매우 뛰어나지만(98% 정확도) 완벽하지는 않습니다. 그러나 논문은 R-Super가 이러한 간헐적인 읽기 오류를 처리할 수 있을 만큼 견고하다는 것을 보여줍니다.
이 논문은 이 기술이 즉시 모든 암 유형에 적용된다고 주장하는 것도 아닙니다. 본 연구는 마스크가 없는 까다로운 7가지 종양 유형에 특화되어 있습니다.
이 논문은 이것이 임상 현장에서 사용하기 위한 "해결된" 문제라고 말하는 것도 아닙니다. 저자들은 이 시스템이 과거의 데이터(회고적 데이터)를 바탕으로 테스트되었으며, 실제 병원 환경에서 어떻게 작동하는지 확인하기 위한 향후 연구가 필요하다고 언급했습니다.

"더블 부스트(Double-Boost)" 효과
논문은 훨씬 더 멋진 내용도 제안합니다: 만약 손으로 그린 마스크가 일부 있다면(연구진은 870개를 사용함), 이를 보고서와 혼합하여 사용할 수 있습니다. 이 "보고서+마스크" 결합 학습은 AI를 더욱 강력하게 만들었으며, 마스크만 사용했을 때보다 악성 종양 발견 능력을 11%, 종양 윤곽을 그리는 능력(DSC)을 14% 향상시켰습니다.

결론
이 논문은 우리가 이미 금광 위에 앉아 있었다는 것을 시사합니다. 수년 동안 우리는 의료 보고서를 단순한 "메모"로 취급해 왔지만, R-Super는 보고서가 사실은 엄청나게 저평가된 학습 데이터 원천임을 증명했습니다. 단어를 "유령 같은" 학습 신호로 변환함으로써, 이 프레임워크는 AI가 단 몇 백 개의 사례에 갇히는 대신 12만 개 이상의 사례로부터 배울 수 있게 해줍니다.

저자들은 이 기술이 모든 병원의 표준 도구가 되기 전까지 추가적인 테스트가 필요하다고 경고하지만, 결과는 AI가 이제 손으로 그린 지도를 기다리는 대신 보고서(즉, 분위기)를 읽는 법을 배움으로써 인간 전문가와 대등하거나 심지어 능가하는 정확도로 까다로운 종양을 감지할 수 있음을 보여줍니다.

기술 요약: 보고서로부터의 세그멘테이션 학습을 통한 대규모 다중 암 검출

문제 정의
종양 검출에 있어 인공지능(AI)의 성능에도 불구하고, 의료 영상 분야의 시맨틱 세그멘테이션(semantic segmentation)은 종양 마스크(mask)의 희소성이라는 결정적인 병목 현상에 직면해 있다. 매년 3억 건 이상의 CT 스캔이 수행되지만, 복셀 단위(voxel-wise)의 종양 윤곽(마스크)을 생성하는 것은 느리고 비용이 많이 들며 노동 집약적이다. 종종 방사선 전문의가 3D 스캔 하나당 30분 이상을 소비해야 한다. 결과적으로 공개 데이터셋에는 종양 마스크가 매우 적으며, 이마저도 특정 장기(예: 간, 폐, 신장)에 집중되어 있다. 7가지 특정 종양 유형—비장, 담낭, 전립선, 방광, 자궁, 식도 및 부신 종양—의 경우, 공개된 마스크가 존재하지 않거나 극히 드물다(일부 사례에서는 60개 미만). 이러한 감독(supervision)의 부족은 이러한 암에 대한 정확한 세그멘테이션 모델의 학습을 방해하며, 이는 방사선 전문의가 놓치기 쉬운 우연한 발견 또는 초기 단계의 종양을 탐지하는 AI의 능력을 제한한다. 반대로, 거의 모든 CT 스캔에는 종양의 특성(수, 크기, 위치, 감쇠도, 악성도)에 대한 상세하지만 국소화되지 않은 설명이 포함된 방사선 판독 보고서나 병리 보고서가 수반된다. VLM(Vision-Language Models)이나 분류기(classifier)와 같은 기존의 AI 접근 방식은 이러한 보고서를 이미지 수준의 레이블로 활용하지만, 임상적 검증에 필요한 복셀 단위의 국소화(localization)를 제공하지는 못한다.

방법론: R-Super 프레임워크
저자들은 루틴하게 작성되는 방사선 및 병리 보고서를 국소화된 훈련 신호로 변환하여, 초기 학습 단계에서 종양 마스크의 필요성을 제거하는 훈련 프레임워크인 R-Super(Report Supervision)를 제안한다. 이 프레임워크는 보고서가 국소화된 감독의 확장 가능한 원천 역할을 할 수 있다는 전제하에 작동한다.

데이터 추출: 비정형 보고서에서 구조화된 종양 특성을 추출하기 위해 동결된 대규모 언어 모델(LLM), 구체적으로 Qwen 3 30B를 사용한다. 여기에는 종양 개수, 대략적인 해부학적 위치(장기/슬라이스), 직경, 감쇠도(저감쇠, 고감쇠 또는 등감쇠), 그리고 악성 상태(병리 보고서 또는 높은 신뢰도의 방사선 기술로부터 도출됨)가 포함된다.
손실 함수(Loss Functions): R-Super는 세그멘테이션 모델이 추출된 보고서 설명과 일치하는 출력을 생성하도록 강제하는 네 가지 새로운 손실 함수를 도입한다.
- 부피 손실 ( $L_{vol}$ ): 세그멘테이션 출력에서 추정된 종양 부피와 보고된 직경(구 또는 타원체로 근사)으로부터 추정된 부피 사이의 불일치를 최소화한다. 또한 보고된 장기 외부에서 발생하는 세그멘테이션에 대해 페널티를 부여한다.
- 볼 손실 ( $L_{ball}$ ): 기대값 최대화(Expectation-Maximization, EM) 프레임워크를 기반으로 하며, 가장 확률이 높은 종양 위치를 찾아낸다. 이는 "볼 컨볼루션(Ball Convolution)"(보고된 직경과 일치하는 비학습형 구형 커널)을 사용하여 보고된 장기 내의 세그멘테이션 출력을 슬라이딩한다. 이는 가장 높은 확률 합을 가진 구(sphere)를 식별하고, 해당 구 내부의 상위- $N$ 개 복셀(여기서 $N$ 은 보고된 부피)을 최대화하는 동시에, 불확실성 마진 외부의 확률은 최소화한다.
- 감쇠 손실 ( $L_{att}$ ): 세그멘테이션된 종양의 밝기(HU 값의 평균 및 표준 편차)와 보고서의 감쇠 설명(저/고/등감쇠) 사이의 일관성을 강제한다.
- 악성도 손실 ( $L_{mal}$ ): 병리 또는 방사선 보고서를 바탕으로 양성 및 악성 종양에 대한 세그멘테이션 채널을 별도로 최적화하는 Ball Loss의 변형이다.
훈련 전략: 본 프레임워크는 CT-보고서 쌍만으로, CT-마스크 쌍만으로, 또는 두 가지를 결합하여 훈련될 수 있다. 마스크가 있는 경우, 해당 쌍에는 표준 Dice 및 Cross-Entropy 손실이 적용되는 반면, 보고서 쌍에는 R-Super 손실이 적용된다. 이 프레임키는 아키텍처에 구애받지 않으며, 저자들은 실험을 위해 MedFormer(U-Net 기반의 CNN-트랜스포머 하이브리드)를 활용하였다.
능동 학습 루프(Active Learning Loop): 훈련된 모델은 방사선 전문의가 새로운 마스크를 더 빠르게 생성하도록 도울 수 있으며, 생성된 마스크는 방대한 보고서 데이터셋과 함께 모델을 미세 조정(fine-tuning)하는 데 사용되어 확장 가능한 능동 학습 사이클을 형성한다.

주요 기여

R-Super 프레임워크: 비정형 의료 보고서를 종양 세그멘테이션을 위한 복셀 단위의 감독 신호로 직접 변환하여 마스크 희소성 문제를 해결한 최초의 방법론이다.
대규모 데이터셋: UCSF, 스탠퍼드 및 관련 기관으로부터 7가지 종양 유형을 다루는 127,496개의 CT-보고서 쌍(4,200만 개의 2D 슬라이스)으로 구성된 새로운 데이터셋을 구축하였다. 이 유형들은 공개 마스크가 희소하거나 없는 경우들이다.
공개 배포: 저자들은 코드, 22,000개 이상의 CT 스캔 및 보고서와 함께 방광, 담낭, 비장, 전립선 종양에 대한 최초의 공개 종양 세그멘테이션 마스크, 그리고 자궁, 식도, 부신 종양에 대한 확장된 마스크를 공개한다.
새로운 손실 함수: 텍스트 설명을 공간적 제약 조건으로 효과적으로 변환하는 부피, 볼, 감쇠 및 악성도 손실을 개발하였다.

결과
본 연구는 미국, 터키, 스위스 4개 병원 코호트에서 R-Super를 평가하였으며, 이를 9개의 주요 공개 AI 모델(MedGemma, Merlin과 같은 VLM 및 ULS, FLARE와 같은 세그멘테이션 모델 포함) 및 6개의 대안적 훈련 전략과 비교하였다.

공개 모델과의 성능 비교: 보고서만으로 훈련된 R-Super(마스크 없음)는 대상 7가지 종양 유형을 탐지하는 데 있어 9개의 모든 공개 AI 모델을 유의미하게 능가하였다. 악성 종양 탐지에서, R-Super는 외부 테스트 세트의 평균 균형 정확도(balanced accuracy) 기준 최고 공개 모델보다 +9%에서 +22% 더 높은 성능을 보였다.
보고서 vs 마스크 훈련: 116,514개의 보고서로 훈련된 R-Super는 870개의 마스크로 훈련된 표준 세그멘테이션 모델보다 종양 탐지 성능이 뛰어났다. 보고서와 마스크를 결합했을 때, 모델(R-Super†)은 마스크 전용 훈련에 비해 민감도(sensitivity)는 +11%, DSC는 +14% 증가를 달성하였다.
방사선 전문의와의 비교: 작은 종양에 초점을 맞춘 데이터셋(외부 데이터 50%)을 대상으로 한 독자(reader) 연구에서, R-Super†는 동일한 위양성률(96% 특이도)에서 평균적인 방사선 전문의보다 56% 더 많은 악성 종양을 탐지하였다. R-Super†는 7가지 유형 중 6가지 유형에서 방사선 전문의보다 높은 민감도를 보였으며, 자궁 종양의 경우 방사선 전문의와 대등한 성능을 보였다.
확장성: 성능은 훈련 보고서의 수와 함께 양의 상관관관계를 보이며 증가하였고, 100,000개 이상의 보고서에서도 포화 상태를 보이지 않았다.

의의 및 주장
본 논문은 R-Super가 의료 AI의 패러다임 전환을 입증한다고 주장한다. 즉, 희소한 수동 주석 마스크에 의존하는 것에서 벗어나, 풍부하고 일상적으로 생성되는 의료 보고서를 국소화된 감독의 원천으로 활용하는 것이다. 저자들은 R-RSuper가 CT 스캔에서 이 7가지 특정 종양 유형을 탐지하는 데 있어 방사선 전문의의 성능과 일치하거나 이를 능가함을 보여준 최초의 공개 AI 모델이라고 단언한다. 보고서로부터 학습함으로써, 이 프레임워크는 종양 세그멘테이션 모델이 마스크 희소성의 한계를 넘어 확장할 수 있게 한다. 저자들은 R-Super를 자율적인 진단 도구가 아니라, 일상적인 CT 스캔에서 놓칠 수 있는 암 사례를 플래그(flag)하여 적절한 추적 검사를 용이하게 하는 보조 시스템으로 정의한다. 본 연구는 이 접근 방식이 기술적 타당성과 강력한 외부 일반화 능력을 보여주지만, 임상 적용 전에는 전망적인 다기관 연구가 필요함을 강조한다.

유사한 논문