💻 computer science

Detecting ovarian endometriomas from ultrasound using vision transformers and cross-modality transfer learning

이 논문은 데이터 부족과 불균형에도 불구하고 높은 성능을 달配合하며 의료 영상 모달리티 간의 저수준 특징 전이 가능성을 입증하는 비전 트랜스포머와 교차 모달리티 전이 학습을 사용하여 초음파 영상으로부터 난소 자궁내막종을 탐지하는 선구적인 머신러닝 모델을 제시한다.

원저자: Matthew Watson, Miliani Fraser-Fletcher, Tom Willshare, Molly Jowsey, Noura Al Moubayed

게시일 2026-07-13

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matthew Watson, Miliani Fraser-Fletcher, Tom Willshare, Molly Jowsey, Noura Al Moubayed

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

당신의 몸을 북적이는 도시라고 상상해 보세요. 때때로 몇몇 고집스러운 동네(난소)가 엔도메트리오마(자궁내막종)라고 불리는 끈적하고 어두운 액체로 뒤덮이기도 합니다. 이것은 단순히 방이 지저도한 수준이 아닙니다. 약 10명 중 1명의 가임기 여성에게 영향을 미치는 만성 질 질환으로, 통증, 피로, 그리고 임신 문제를 일으킵니다. 수년 동안 이 "끈적한 액체"를 확인하는 유일한 방법은 드릴과 카메라를 가진 건설팀(복강경 수술)을 보내 내부를 들여다보는 것이었습니다. 이는 침습적이고 비용이 많이 들며, 증상이 다른 도시 문제들과 비슷해 보이기 때문에 종종 진단이 지연되곤 합니다.

최근 의사들은 이 낭종을 찾아내기 위해 초음파 기계—몸 안을 볼 수 있는 하이테크 손전등—를 사용하기 시작했습니다. 하지만 문제는 이 손전등을 읽어내는 데 매우 전문적인 탐정이 필요하다는 점입니다. 그런 탐정들은 충분하지 않고 매우 바쁩니다. 그래서 도시는 교통 체증에 갇히게 되고, 환자들은 고통받습니다.

여기 컴퓨터 과학자들이 등장합니다. 그들은 대담한 질문을 던졌습니다: 우리가 로봇에게 초음파 손전등 속에서 이 끈적한 액체를 찾아내도록 가르칠 수 있을까?

거대한 실험: 잘못된 교과서로 로봇 가르치기
연구팀은 이 낭종을 찾도록 똑똑한 AI 두뇌(비전 트랜스포머라고 불림)를 훈련시키려 노력했습니다. 하지만 벽에 부딪혔습니다. 로봇을 가르칠 수 있는 공개된 사진이 매우 적었기 때문입니다. 이것은 마치 몇 장의 흐릿한 사진만 가지고 희귀한 열대 조류를 식별하는 법을 학생에게 가르치려는 것과 같습니다.

이를 해결하기 위해 그들은 "전이 학습(transfer learning)"이라는 영리한 기술을 시도했습니다. 이것은 로봇에게 처음부터 새를 인식하는 법을 가르치는 대신, 먼저 의료 세계의 모든 것—부러진 뼈의 X-레이, 폐의 CT 스캔, 뇌의 MRI 사진—을 인식하도록 가르치는 것과 같습니다. 그들은 120만 개의 다양한 의료 이미지(OmniRad라고 불림)로 사전 훈련된 모델을 사용했습니다.

연구진은 이 "의과 대학" 배경이 일반적인 일상 사진(고양이나 자동차 등)이 담긴 일반 교과서를 사용할 때보다 로봇이 훨씬 더 빠르게 배우는 데 도움이 된다는 것을 발견했습니다. 비록 로봇이 주로 X-레이와 MRI로 훈련되었음에도 불구하고, 로봇은 의료 조직의 기본적인 "모양과 패턴"을 인식하는 법을 배웠습니다. 그 후 초음파 손전등을 보여주었을 때, 초음파가 X-레이와 매우 다름에도 불구하고 로봇은 끈적한 액체를 찾아내는 데 놀라운 실력을 보여주었습니다.

결과: 새로운 높은 점수
팀은 한 번도 본 적 없는 469개의 초음파 이미지를 사용하여 그들의 가장 뛰어난 로봇을 테스트했습니다.

일반 사진(고양이/자동차)으로 훈련된 로봇은 0.677의 점수를 받았습니다 (높을수록 좋은 점수).
다른 의료 이미지(OmniRad)로 훈련된 로봇은 수학적 설정을 어떻게 조정하느냐에 따라 0.808에서 0.813 사이의 점수를 기록했습니다.

이는 큰 도약입니다! 저자들은 이것이 로봇이 서로 다른 종류의 스캔이라 할지라도 의료 영상 전반에 걸쳐 작동하는 "저수준(low-level)"의 구성 요소들을 인식하도록 학습했음을 입증한다고 제안합니다.

로봇이 실제로 "보는" 것
팀은 로봇이 단순히 속임수를 쓰고 있는지(예를 들어, 사진 위에 의사가 써놓은 빨간 잉크를 암기하는 것인지) 확인하기 위해 SHAP라는 특별한 도구를 사용했습니다.

좋은 소식: 로봇이 낭종을 발견했을 때, 로봇은 정확히 낭종에 집중했습니다. 로봇은 의사들이 이미지 위에 그려 넣는 녹색 상자나 빨간색 텍xt를 무시했습니다. 이는 로봇이 인간이 남긴 "단서"가 아니라 실제 의료적 특징을 보고 있다는 것을 의미합니다.
나쁜 소식: 팀은 이 로봇이 모든 사람에게 작동한다는 것을 증명할 수 없었습니다. 그들이 사용한 데이터는 단 한 곳에서 왔으며, 환자의 연령이나 배경에 대한 정보가 없었습니다. 따라서 이 로봇이 이 특정 테스트에는 훌륭할지 모르지만, 다른 병원의 환자나 다른 피부 톤을 가진 사람들에게도 똑같이 잘 작동할지는 아직 알 수 없습니다. 저자들은 이것이 최종적인 증명이 아닌 "예비 분석"임을 신중하게 밝히고 있습니다.

이것이 왜 중요한가 (하지만 아직 마법 지팡이는 아닙니다)
저자들은 이 로봇이 의사가 수술 여부를 결정하는 데 도움을 줄 수 있는지 알아보기 위해 시뮬레이션을 실행했습니다. 그들은 로봇의 조언을 사용하는 것이 현재의 "모두를 치료하거나" 혹은 "아무도 치료하지 않는" 접근 방식보다 더 나을 것이라는 것을 발견했습니다. 이는 AI가 환자를 분류(triage)하여, 정말로 수술이 필요한 환자를 우선순위로 올려 모두의 시간을 절약하는 데 도움을 줄 수 있음을 시사합니다.

그러나 논문은 이 제품이 당신의 지역 클리닉에 바로 투입될 수 있는 완성품이 아니라는 점을 매우 명확히 하고 있습니다. 이것은 누구나 사용할 수 있는 공개 데이터를 사용하여 이와 같은 모델을 구축한 첫 번째 사례입니다. 저자들은 이것이 더 많은 협업의 문을 열어주기를 희 바랍니다. 그들은 미래의 연구가 모델이 편향되지 않고 실제 세상에서 제대로 작동하는지 확인하기 위해 다양한 병원의 데이터를 테스트해야 한다고 제안합니다.

요약하자면, 팀은 다른 의료 스캔을 먼저 공부함으로써 특정 유형의 난소 낭종을 찾아내는 로봇을 만들었습니다. 이 로봇은 일반 사진으로 훈련된 로봇보다 더 우수한 성능을 보였으며, 실제로 올바른 부분을 보고 있는 것으로 보입니다. 하지만 의사의 손전등을 대체하기 전, 이 로봇은 어디에서나 모든 사람에게 작동한다는 것을 증명하기 위해 더 많은 테스트를 통과해야 합니다.

기술 요약: 비전 트랜스포머와 교차 모달리티 전이 학습을 이용한 초음파 기반 난소 자궁내막종 검출

문제 제기
자궁내막증은 전 세계 가임기 여성의 약 10%에게 영향을 미치는 만성 염증성 질환으로, 증상이 다른 부인과 질환과 중복되는 경우가 많고 확진을 위해 역사적으로 침습적인 복강경 수술에 의존해 왔기 때문에 진단이 심각하게 지연되는 경우가 빈번합니다. 표준화된 초음파 접근 방식(예: IDEA 프레임워크)이 비침습적 진단 잠재력을 제공하지만, 현재는 고도로 숙련된 전문가에게 의존하고 있어 임상적 병목 현상을 야기합니다. 머신러닝(ML)이 다른 진단 영상 작업에서 유망한 성과를 보여주었음에도 불구하고, 자궁내막증 검출을 위한 초음파 적용은 대규모 공개 데이터셋의 부족으로 인해 어려움을 겪고 있습니다. 기존 연구들은 제한적인 외부 검증, 편향 분석 및 일반화 평가가 이루어진 소규모의 비공개 데이터셋에 의존하는 경우가 많습니다. 또한, 부인과 영역에 특화된 공개 초음파 데이터의 희소성으로 인해, 모델이 데이터 제한을 극복하기 위해 초음파가 아닌 다른 의료 영상 모달리티로부터 전이 학습을 활용할 수 있는지에 대한 조사가 필요합니다.

방법론
본 연구는 294명의 환자로부터 얻은 1,469개의 초음파 스캔으로 구성된 공개 데이터셋인 MMOTU-2D를 활용합니다. 저자들은 이 데이터셋의 원래 종양 분할(segmentation) 작업을 이진 분류 문제(자궁내막증 vs. 비자궁내막증)로 재구성했습니다. "초콜릿 낭종(endometriomas)"을 포함하는 이미지는 양성으로, 그 외의 모든 종양 유형과 정상 난소는 음성으로 레이블링되었습니다. 데이터셋은 환자 단위 분리를 보장하며 1,000개의 훈련 이미지와 469개의 테스트 이미지로 분할되었습니다.

모델 아키텍처: 기본 모델은 입력 차원이 224x224인 **비전 트랜스포머(ViT)**입니다.
사전 학습 전략: 두 가지 사전 학습 레짐(regime)을 비교합니다:
1. 일반 코퍼스: ImageNet에서 사전 학습된 ViT.
2. 의료 코퍼스: 120만 개의 방사선 이미지(주로 X-ray, CT, MRI)로 사전 학습된 OmniRad-Small. 데이터 누수를 방지하기 위해 MMOTU-2D 데이터셋을 제외했음을 명시적으로 확인했습니다.
학습 설정: 심각한 클래스 불균형 분포(양성 22.9%)를 해결하기 위해, 저자들은 표준 교차 엔트로피 손실(cross-entropy loss)과 **가중 교차 엔트로피 손실(weighted cross-entropy loss)**을 비교합니다. 학습은 학습률 $5 \times 10^{-5}$ , 10 에포크(epoch), 배치 크기 32(그래디언트 누적을 통한 유효 배치 크기 128)로 진행됩니다.
평가 지표: 클래스 불균형을 고려하여 **평균 정밀도(Average Precision, AP)**를 주요 평가 지표로 사용하며, AUROC, F1 점수, 정밀도(precision), 재현율(recall), 정확도(accuracy)를 보조 지표로 활용합니다. "모두 치료(treat-all)" 및 "모두 미치료(treat-none)" 전략에 대한 임상적 순이익을 평가하기 위해 **결정 곡선 분석(Decision Curve Analysis, DCA)**을 수행합니다.
설명 가능성: 특징 중요도를 시각화하고 모델이 부적절한 상관관계(예: 이미지 내의 하드코딩된 주석)에 의존하지 않는지 확인하기 위해 GradientSHAP을 사용합니다.

주요 결과

성능: 가중 교차 엔트로피 손실을 적용한 OmniRad-Small 모델이 AUROC 0.923 및 평균 정밀도(AP) 0.808을 달성하여 가장 높은 성능을 보였습니다. 이는 ImageNet으로 사전 학습된 ViT(AP: 0.677)와 가중 손실을 적용하지 않은 OmniRad 모델(AP: 0.807)보다 우수한 성능입니다.
가중 손실의 영향: 가중 손실을 적용했을 때 두 사전 학습 레짐 모두에서 재현율과 F1 점수가 유의미하게 향상되었으며, 이는 해당 도메인에서 클래스 불균형 처리가 필수적임을 입증합니다.
교차 모달리티 전이 학습: 사전 학습 모달리티(X-ray, CT, MRI)와 대상 모달리티(질 초음파) 사이의 상당한 도메인 변화에도 불구하고, OmniRad 모델은 일관되게 일반 ImageNet 베이스라인보다 우수한 성능을 보였습니다. 이는 의료 사전 학습이 서로 다른 영상 모달리티 및 해부학적 영역 간에 일반화 가능한 저수준 특징/패턴 인식 학습을 촉진함을 시사합니다.
임상적 유용성: 결정 곡선 분석 결과, 모든 모델이 임상적으로 유의미한 임계값(0.05 ~ 0.83) 전반에서 "모두 치료" 또는 "모두 미치료" 전략보다 더 큰 순이익을 제공하는 것으로 나타났습니다.
설명 가능성: SHAP 분석 결과, 최적의 성능을 보인 모델은 초음파 이미지에 있는 하드코딩된 주석(예: 경계 상자 또는 텍ext 오버레이)이 아닌 자궁내막종 낭종 자체에 집중했습니다. 이는 모델이 지름길 학습(shortcut learning)이 아닌 임상적으로 의미 있는 특징을 학습했음을 시사합니다.

의의 및 주장
저자들은 이것이 공개된 초음파 데이터를 사용하여 자궁내막증 검출을 위한 머신러닝 모델을 훈련한 첫 번째 연구라고 주장합니다. 본 연구는 다음을 입증합니다:

소규모의 불균형한 공개 데이터셋을 통해서도 이전의 비공개 데이터셋을 사용한 연구들과 대등하거나 이를 능가하는 고성능 모델(AP: 0.81)을 훈련할 수 있습니다.
교차 모달리티 전이 학습은 의료 영상 분야에서 매우 효과적입니다. 다양한 방사선 모달리티(비초음파)로 사전 학습하는 것은 일반 이미지 사전 학습보다 초음파 작업의 성능을 실질적으로 향상시키며, 이는 모달리티 내(intra-modality) 전이 학습을 선호하는 기존의 경향에 도전하고 모달리티별 데이터가 부족한 저자원 도메인을 위한 발전 방향을 제시합니다.
제안된 접근 방식은 자궁내막증 진단의 민주화를 실현할 잠재력이 있으며, 이를 통해 전문가의 역량 및 분석에 대한 의존도를 낮추고, 진단 지연을 단축하며, 의료 접근성에 대한 사회경제적 및 지리적 편향을 완화할 수 있습니다.

본 논문은 이러한 기법의 일반성을 평가하기 위한 외부 데이터셋 검증과, 이후 비용 효율성 및 임상적 영향을 평가하기 위한 전향적 연구의 필요성을 강조하며 결론을 맺습니다.

유사한 논문