Construction of a Multi-Class Intelligent Diagnostic System for Thyroid Follicular Carcinoma, Lymphoma, and Follicular Adenoma Based on Improved Swin-Transformer and Ultrasound Radiomics

당신이 탐정이 되어 미스터리를 해결하고 있다고 상상해 보십시오. 하지만 당신의 단서는 지문이나 발자국이 아니라, 인체 내부의 작고 구불구불한 패턴입니다. 이것이 바로 의료 영상의 세계입니다. 의사들은 단 한 번의 절개 없이 우리 내부를 들여다보기 위해 초음파(음파)를 사용합니다. 때때로 갑상선 내의 혹이 무해한 돌처럼 보이기도 하고, 때로는 위험한 말썽꾸러기처럼 보이기도 합니다. 까다로운 점은 무엇일까요? 어떤 말썽꾸러기들은 표준 초음파 사진상에서 무해한 것들과 거의 똑같이 보인다는 것입니다. 이는 마치 어두운 조명 아래에서 진짜 다이아몬드와 매우 정교하게 만들어진 유리 조각을 구분하려는 것과 같습니다. 수년 동안 의사들은 종종 불필요한 수술이나 치료 시기를 놓치는 결과를 초래하며 추측에 의존해야 했습니다. 하지만 이제 과학자들은 컴퓨터가 우리가 볼 수 없는 패턴을 볼 수 있는 특별한 종류의 "디지털 뇌"를 사용하여, 숙련된 인간의 눈보다 더 뛰어난 탐정이 되도록 가르치고 있습니다.

이 논문은 갑상선의 가장 까다로운 미스터리 중 하나, 즉 매우 비슷해 보이는 세 가지 특정 유형의 혹을 구별하도록 설계된 초스마트 컴퓨터 시스템의 이야기를 들려줍니다. 두 가지는 서로 다른 종류의 암(여포암과 또 다른 희귀 암인 림프종)이며, 하나는 무해한 증식물(여포 선종)입니다. 이 차이는 매우 중요합니다. 왜냐하면 희귀한 암은 수술이 아닌 약물 치료가 필요하기 때문이며, 다른 암은 수술이 필요하기 때문입니다. 연구진은 두 가지 강력한 도구를 결합한 "디지털 탐정"을 구축했습니다. 하나는 전체적인 그림을 보는 하이테크 이미지 분석기이고, 다른 하나는 초음파의 아주 미세한 디테일을 계산하는 "질감 스캐너"입니다. 그들은 1,200건 이상의 실제 환자 사례를 사용하여 이 시스템을 학습시켰으며, 단순히 정답을 암기하는 것이 아님을 증명하기 위해 다른 병원의 새로운 환자 260명을 대상으로 테스트했습니다.

결과는 인상적입니다. 이 컴퓨터 시스템은 첫 번째 테스트에서 약 91%의 정확도로 올바른 유형의 혹을 식별해 냈으며, 새로운 환자 그룹에서는 약 87%의 정확도를 보였습니다. 이는 오늘날 사용되는 표준 방식보다 뛰어나며, 심지어 숙련된 두 명의 의사가 단독으로 작업할 때보다도 더 나은 성과를 보였습니다. 의사들이 이 컴퓨터를 조력자로 사용했을 때, 그들의 정확도는 약 11 퍼센트 포인트 상승했으며, 의사들 사이의 일치도 또한 훨씬 높아졌습니다. 이 시스템은 단순히 추측하는 것이 아니라, 인간 전문가들이 주목했던 곳과 일치하는 방식으로 초음파 영상에서 단서를 제공하는 정확한 지점을 강조함으로써 자신의 작업 과정을 보여주었습니다. 연구진은 이 도구가 확실히 작동하는지 확인하기 위해 더 많은 사람과 다양한 유형의 초음파 기기로 테스트해야 한다고 인정하지만, 그들의 발견은 이 새로운 도구가 의사들이 불필요한 수술을 피하고 환자들을 적절한 치료로 더 빠르게 보낼 수 있도록 도울 수 있음을 시사합니다.

탐정의 도구 상자: 작동 원리

이 새로운 시스템이 어떻게 작동하는지 이해하려면, 군중 속에서 용의자를 식별하려고 노력하는 모습을 상상해 보십시오. 당신에게는 두 가지 방법이 있습니다:

1. 전체적인 그림: 당신은 사람의 전체적인 모습, 키, 그리고 걷는 모양을 봅니다. 이것이 Swin-Transformer가 하는 일입니다. 이것은 전체 초음파 영상을 관찰하여 큰 형태를 이해하고 이미지의 각 부분이 서로 어떻게 연관되어 있는지 파악하는 인공지능의 한 종류입니다.
2. 미세한 디테일: 당신은 옷의 질감이나 신발의 특정 패턴을 보기 위해 확대합니다. 이것이 Radiomics가 하는 일입니다. 이것은 이미지를 인간의 눈으로는 볼 수 없지만 컴퓨터는 계산할 수 있는 질감, 밝기, 패턴을 설명하는 수천 개의 미세한 수학적 숫자로 분해합니다.

이전 AI 시스템의 문제는 보통 이 두 가지 정보를 마치 사진 옆에 숫자 목록을 붙여놓은 것처럼 단순히 붙여버렸다는 점입니다. 때로는 사진의 정보가 너무 커서 숫자 목록이 무시되기도 했고, 혹은 숫자 목록이 너무 길어서 사진이 묻혀버리기도 했습니다.

새로운 "스마트 접착제"

저자들은 이 도구들을 결합하는 새로운 방법인 **적응형 가중치 융합(Adaptive Weighted-Fusion, AWF)**을 발명했습니다. 이것을 스마트 믹서라고 생각해 보십시오. 단순히 사진과 숫자 목록을 그릇에 쏟아붓는 대신, 이 믹서는 특수 센서를 가지고 있습니다. 매 환자마다 다음과 같이 질문합니다: "이 특정 사례는 전체적인 그림으로부터 더 많은 도움이 필요한가, 아니면 미세한 디테일로부터 더 많은 도움이 필요한가?"

• 만약 이미지가 흐릿하지만 질감이 명확하다면, 믹서는 질감의 볼륨을 높입니다.
• 만약 질감이 노이즈가 많지만 형태가 명확하다면, 믹서는 형태의 볼륨을 높입니다.

이 "스마트 접착제" 덕분에 컴퓨터는 일률적인 방식을 사용하는 대신, 각 특정 사례에 맞는 올바른 단서에 귀를 기울일 수 있습니다. 또한 그들은 컴퓨터가 더 잘 집중할 수 있도록 두 가지 특별한 모듈을 추가했습니다. 하나는 다양한 크기로 이미지를 보는 것(확대 및 축소)이고, 다른 하나는 스포트라이트처럼 작동하여 이미지의 가장 중요한 부분을 강조하고 배경 소음을 무시하는 것입니다.

위대한 시험: 전문가를 이길 수 있는가?

연구진은 단순히 시스템을 구축한 것이 아니라, 엄격한 시험을 거쳤습니다.

• 학습: 그들은 1,224명의 환자 데이터를 시스템에 입력했습니다.
• 테스트: 동일한 병원의 새로운 환자 184명을 대상으로 테스트했습니다.
• 실제 환경 검증: 서로 다른 초음파 기기를 사용하는 다른 병원의 환자 260명을 대상으로 테스트했습니다. 이것은 매우 중요한데, 시스템이 단순히 첫 번째 병원의 사진을 암기한 것이 아니라, 질병의 규칙을 실제로 학습했음을 증명하기 때문입니다.

결과:

• 정확도: 컴퓨터는 내부 테스트에서 **90.76%**의 정확도를 기록했고, 외부 테스트에서는 **87.31%**를 기록했습니다.
• 기준점 돌파: 이 시스템은 6가지의 다른 인기 있는 AI 방법들과 특별한 업그레이드가 없는 표준 "Swin-Transformer"보다 유의미하게 뛰어났습니다.
• 인간 돕기: 10년 경력과 8년 경력을 가진 두 명의 선임 의사가 컴퓨터를 제2의 의견으로 사용했을 때, 그들의 정확도는 평균 10.60 퍼센트 포인트 상승했습니다. 컴퓨터를 사용하기 전에는 그들의 일치도가 약 65%였으나, 컴퓨터를 사용한 후에는 82%로 높아졌습니다.

이것이 중요한 이유 (그리고 아직 하지 못하는 것)

이 이야기에서 가장 흥лев한 부분은 컴퓨터가 특히 **원발성 갑상선 림프종(Primary Thyroid Lymphoma, PTL)**을 찾아내는 데 탁월하다는 점입니다. 이는 다른 두 유형과 매우 비슷해 보이지만 수술 대신 화학 요법이 필요한 희귀한 암입니다. 만약 의사가 이를 다른 유형으로 오인한다면, 환자는 아무 이유 없이 절개 수술을 받을 수도 있습니다. 컴퓨터는 이 희귀한 유형을 매우 높은 정확도(내부 테스트에서 약 97%)로 식별해 냈으며, 이는 생명을 구하는 조기 경보 시스템이 될 수 있음을 시사합니다.

하지만 저자들은 이것이 모든 것을 해결하는 마법 지팡이라고 말하는 것을 경계합니다.

• 완벽하지 않습니다: 특히 암 덩어리가 무해한 것과 매우 비슷해 보일 때 여전히 실수가 있었습니다.
• 더 많은 데이터가 필요합니다: 주요 그룹 내에서 희귀 림프종 환자의 수가 적었습니다(주요 그룹 내 131명). 저자들은 모든 사람에게 효과가 있는지 확실히 하기 위해 더 많은 사람을 대상으로 테스트해야 한다고 말합니다.
• 조력자이지 대체재가 아닙니다: 이 시스템은 의사를 대체하는 것이 아니라 의사를 돕기 위해 설계되었습니다. 가장 좋은 결과는 의사들이 자신의 작업을 재확인하기 위해 컴퓨터의 조언을 사용했을 때 나타났습니다.

요약하자면, 이 논문은 컴퓨터에게 전체적인 그림과 미세한 디테일을 모두 보도록 가르치고, 각 환자에게 어떤 단서가 가장 중요한지 결정하게 함으로써, 의사들이 갑상선 환자에 대해 더 정확하고 빠른 결정을 내릴 수 있도록 돕는 도구를 만들 수 있음을 보여줍니다. 이는 불필요한 수술을 줄이고 더 많은 사람이 즉시 적절한 치료를 받을 수 있는 미래를 향한 유망한 단계입니다.