MRI Radiomics Meets Artificial Intelligence: Development and Validation of a Random Forest Model for Brain Tumor Classification in Sudanese Patients

뇌 스캔 속의 보이지 않는 단서들

당신이 수수께끼를 풀려는 탐정이라고 상상해 보세요. 하지만 당신이 가진 유일한 증거는 흑백 사진 한 장뿐입니다. 때때로 그 사진은 명확하고 해롭지 않은 덩어리를 보여주지만, 다른 때에는 위험하고 커져가는 괴물을 보여주기도 합니다. 문제는 육안으로는 이 두 가지가 놀라울 정도로 비슷해 보일 수 있다는 점입니다. 이것이 의사들이 뇌종양이 '양성'(해롭지 않은 것)인지 아니면 '악성'(위험한 것)인지 파악하기 위해 직면하는 일상의 과제입니다. 그들은 빛 대신 자석을 사용하여 머릿 내부의 사진을 찍는 초강력 카메라와 같은 MRI 스캔에 의존합니다. 하지만 사람의 눈은 피로해질 수 있고, 때로는 두 명의 의사가 같은 사진을 보고도 서로 다른 의견을 가질 수도 있습니다.

이를 해결하기 위해 과학자들은 **라디오믹스(Radiomics)**라고 불리는 새로운 종류의 탐정 업무를 발명했습니다. 표준 MRI 스캔을 하나의 그림이라고 생각해 보세요. 방사선 전문의는 그 그림을 보고 "저것은 종양처럼 보인다"라고 말합니다. 하지만 라디오믹스는 그 그림을 수백만 개의 아주 작은 픽셀로 분해한 다음, 각각의 정확한 회색 음영, 질감, 그리고 모양을 측정하는 것과 같습니다. 이는 인간의 눈에는 보이지 않지만 컴퓨터는 읽을 수 있는 거대한 숫자 스프레드시트로 이미지를 변환합니다. 과학자들은 이러한 숫자들을 인공지능(AI)—구체적으로는 **랜덤 포레스트(Random Forest)**라는 유형의 컴퓨터 뇌—에 입력함으로써, 환자의 몸을 절개하지 않고도 해로운 덩어리와 위험한 덩것을 구별해 낼 수 있는 숨겨진 패턴을 컴퓨터가 찾아내도록 가르치고자 합니다. 이 논문은 단순하지만 매우 중요한 질문을 던집니다. 이 디지털 탐정 기술이 수단의 의사들이 뇌종양에 대해 더 나은 결정을 내리는 데 도움이 될 수 있을까요?

수단의 디지털 탐정

이 연구에서 수단 알자임 알자하리 대학교(Alzaiem Alazhari University)의 연구팀은 자신들만의 디지털 탐정을 만들기로 했습니다. 그들은 MRI 스캔을 통해 수단의 의사들이 양성 뇌종양과 악성 뇌종양을 구별하는 데 도움을 줄 수 있는 컴퓨터 모델을 만들 수 있는지 확인하고자 했습니다. 연구진은 이미 뇌종양 진단을 받은 환자 120명을 모았습니다. 그중 절반(60명)은 양성 종양이었고, 나머지 절반(60명)은 악성 종양이었습니다. 이들은 현미경으로 조직을 관찰하여 확진된 실제 사례들이었기에, 연구진은 각 그룹이 무엇인지 확실히 알고 있었습니다.

먼저, 연구팀은 데이터를 준비해야 했습니다. 그들은 MRI 이미지를 가져와서 색상과 크기가 일관되도록 정리했는데, 이는 마치 사진의 밝기와 대비를 조절하여 모든 것이 동일하게 보이도록 만드는 것과 같습니다. 그다음 숙련된 방사선 전문의가 각 이미지의 종양 주변에 선을 직접 그려서 컴퓨터에게 정확히 문제가 되는 지점이 어디인지 알려주었습니다. 종양을 분리한 후, 그들은 특수 컴퓨터 프로그램을 사용하여 각 종양에서 100가지 이상의 서로 다른 '단서'를 추출했습니다. 이 단서들에는 종양 표면이 얼마나 울퉁불퉁한지, 회색 픽셀이 어떻게 배열되어 있는지, 그리고 색상의 강도가 어떠한지 등이 포함되었습니다.

이 거대한 단서 목록 중에서 연구팀은 모델에 사용할 가장 신뢰할 수 있는 용의자인 가장 뛰어난 6가지 단서를 엄선했습니다. 그런 다음 그들은 랜덤 포레스트 알고리즘(여러 전문가가 결정에 투표하는 방식처럼 작동하는 머신러닝의 한 종류)에게 이 6가지 단서를 사용하여 종양이 양성인지 악성인지 추측하는 법을 가르쳤습니다. 그들은 데이터를 두 그룹으로 나누었습니다. 하나는 컴퓨터를 가르치기 위한 '훈련' 그룹이고, 다른 하나는 컴퓨터가 실제로 무언가를 배웠는지 확인하기 위한 '테스트' 그룹입니다.

컴퓨터가 발견한 것

컴퓨터가 테스트 그룹을 대상으로 최종 시험을 치렀을 때, 정답률은 **71%**였습니다. 이는 모델에 100개의 새로운 뇌 스캔을 보여주면 약 71개에 대해 종양의 유형을 정확히 맞힐 것임을 의미합니다. 이 모델은 특히 위험한 것을 찾아내는 데 탁월하여, 악성 종양의 **75%**를 잡아냈습니다(이를 민감도라고 합니다). 하지만 완벽하지는 않았습니다. 일부 악성 사례를 놓치기도 했고, 때때로 양성 종양을 혼동하기도 하여 특이도는 **66.7%**를 기록했습니다. 전체 점수인 F1-스코어는 0.72였으며, 두 그룹을 얼마나 잘 구분하는지를 측정하는 곡선 아래 면적(AUC)은 0.764였습니다.

연구진은 또한 환자의 배경을 살펴보고 연령이나 성별이 종양 유형을 예측하는 데 도움이 되는지 확인했습니다. 그 결과, 연령과 성별은 별로 중요하지 않다는 것을 발견했습니다. 컴퓨터가 좋은 추측을 하기 위해 환자가 20세 남성인지 혹은 60세 여성인지를 알 필요는 없었습니다. 그러나 종양의 크기에 대해서는 흥미로운 점을 발견했습니다. 종양의 크기가 큰 환자들은 작은 종양을 가진 환자들보다 신경학적 증상(두통이나 약화 등)을 겪을 가능성이 훨씬 높았습니다. 수학적 분석 결과 이 연결 고리는 매우 강력했으며, p-값은 0.01 미만이었습니다.

판결과 주의사항

이 연구는 MRI 라디오믹스와 랜덤 포레스트 모델을 사용하는 것이 뇌종양을 분류하는 데 실행 가능한 방법이라고 결론짓습니다. 이는 이 접근 방식이 최첨단 장비를 갖추지 못한 의사들에게 단순히 눈으로 보는 것이 아닌 숫자에 기반한 '제2의 의견'을 제공함으로써, 유용한 비침습적 도구가 될 수 있음을 시사합니다. 모델은 임상적 의사결정을 지원하고 진단 정확도를 높일 수 있다고 제안합니다.

하지만 저자들은 이를 완성된 해결책이라고 부르는 것에 주의를 기울입니다. 그들은 120명의 환자 집단이 상대적으로 작으며, 과거의 데이터만을 사용했기 때문에 모델이 다른 모든 사람에게 똑같이 작동하지 않을 수 있다고 지적합니다. 또한 컴퓨터가 여전히 실수를 저질러 일부 악성 종양을 놓치기도 했다는 점을 언급했는데, 이는 의학 분야에서 심각한 문제입니다. 연구진은 이 도구가 병원에서 널리 사용되기 전에 더 큰 규모의 다양한 집단을 대상으로 테스트되어야 한다고 제언합니다. 또한 향후 더 많은 종류의 MRI 스캔을 추가하고 더욱 발전된 컴퓨터 기법을 사용할 것을 권장합니다. 현재로서는 이 연구가 유망한 첫걸음으로서, '디지털 탐정'이 잠재력을 가지고 있지만 스스로 사건을 해결하기 위해서는 아직 더 많은 훈련이 필요함을 보여줍니다.