Development and validation of an artificial intelligence-based virtual indigo carmine chromoendoscopy model: a multicenter study

인체 내부의 위와 결장의 내벽은 미세한 주름과 골짜기로 이루어진 지형과 같습니다. 이 지형에서 암의 초기 징후를 찾기 위해 의사들은 종종 크로모엔도스코피(chromoendoscopy)라고 불리는 기술에 의존합니다. 이 절차에서는 무해한 파란색 염료를 조직 위에 분사합니다. 염료는 표면의 작은 함몰 부위에 가라앉아, 의심스러운 병변의 가장자리나 조직 구조의 미세한 세부 사항을 훨씬 더 쉽게 볼 수 있도록 고대비 지도를 만들어냅니다. 이러한 시각적 강화는 암이 퍼지기 전에 발견하는 데 매우 중요하지만, 과정이 느리고 숙련된 손길이 필요하며 수행하는 의사의 기술에 크게 의존합니다. 자원이 부족한 많은 병원들에게는 첨단 전자 영상 시스템의 비용과 복잡성 때문에 이 수동 염료 분사가 유일한 선택지입니다.

중국의 병원 연구진은 분무기를 전혀 사용하지 않고도 이러한 시각적 명확함을 얻을 수 있는 새로운 방법을 개발했습니다. 그들은 표준적인 백색광 영상을 가져와서 마치 파란색 염료를 적용한 것처럼 즉각적으로 변환할 수 있는 인공지능 시스템을 만들었습니다. 이 "가상 염색(virtual staining)" 기술은 물리적인 절차 없이도 의사들에게 전통적인 염료 방식의 진단적 이점을 제공하여, 잠재적으로 암의 조기 발견을 더 빠르고 안전하며 접근 가능하게 만드는 것을 목표로 합니다.

연구진은 먼저 5개의 서로 다른 병원에서 방대한 양의 의료 영상 컬렉션을 수집했습니다. 그들은 파란색 염료가 사용된 9,000장 이상의 이미지와 동일한 환자의 백색광만으로 촬영된 8,000장 이상의 매칭 이미지를 수집했습니다. 이 이미지들은 거의 천 건의 사례에서 가져온 것으로, 컴퓨터 모델을 훈련시키기 위한 다양하고 견고한 토대를 제공했습니다. 목표는 인공지능이 염료가 조직의 외관을 어떻게 변화시키는지, 즉 염료가 어떻게 틈새에 고이고 병변의 경계를 강조하는지를 정확히 이해하여 일반 이미지에 그 효과를 재현하도록 가르치는 것이었습니다.

이 시스템을 구축하기 위해 연구진은 생성적 적대 신경망(generative adversarial network)이라 알려진 유형의 인공지능을 기반으로 한 특화된 컴퓨터 프로그램을 설계했습니다. 단순히 파란색 필터를 입히는 것과 같은 단순한 프로그램과 달리, 이 모델은 복잡하고 단계적인 변환을 수행하도록 설계되었습니다. 모델은 해부학적 구조를 엄격히 보존하면서 염료를 모사하기 위해 이미지의 색상과 대비를 변경하는 법을 학습했습니다. 연구진은 컴퓨터가 새로운 구조를 만들어내거나 조직의 형태를 왜곡하지 않도록 주의를 기울였는데, 그러한 오류는 위험한 오진으로 이어질 수 있기 때문입니다. 연구진은 일반적인 사진 편집 및 다른 의료 영상 작업에 사용되는 다른 기존 컴퓨터 방식들과 자신들의 결과물을 테스트했습니다.

결과는 새로운 모델이 거의 모든 면에서 다른 모델들보다 우수함을 보여주었습니다. 컴퓨터가 생성한 이미지를 실제 염료를 뿌린 이미지와 비교했을 때, 새 모델은 색상의 풍부함과 구조적 세부 사항 측면에서 더 근접한 결과물을 만들어냈습니다. 생성된 가상 이미지는 다른 알고리즘들이 만든 이미지보다 실제와 더 흡사했습니다. 이를 검증하기 위해 연구진은 수십 년의 경력을 가진 전문가부터 이제 막 경력을 시작한 이들에 이르기까지 11명의 인간 의사들에게 이미지를 보여주었습니다. 의사들은 실제 염료 이미지와 컴퓨터가 생성한 이미지를 구별하도록 요청받았으며, 조직의 대비, 병변 경계의 명확성, 미세 구조의 가시성을 기준으로 이미지의 품질을 평가했습니다.

의사들은 가상 이미지를 실제 이미지와 구별하는 데 어려움을 겪었으며, 가상 이미지를 실제라고 올바르게 식별한 비율은 약 78%에 불과했습니다. 이는 컴퓨터가 생성한 이미지가 전문가들을 상당 부분 속일 수 있을 만큼 설득력이 있음을 시사합니다. 암을 찾아내는 실질적인 과제에 있어서도 가상 이미지는 놀라운 성능을 보여주었습니다. 의사들은 가상 이미지의 전반적인 대비와 병변 경계의 명확성이 실제 염료 이미지와 거의 동일하다고 평가했습니다. 병변의 가장자리를 얼마나 잘 볼 수 있는지는 생검 부위를 결정하는 데 가장 중요한 요소인데, 이 부분에서도 유의미한 차이가 없었습니다.

그러나 연구는 가상 이미지가 여전히 미흡한 한 가지 영역을 드러냈습니다. 의사들이 조직 표면의 가장 미세한 디테일인 미세 구조를 관찰했을 때, 가상 이미지는 실제 이미지보다 약간 낮은 점수를 받았습니다. 컴퓨터는 큰 그림과 문제의 가장자리를 보여주는 데는 탁ual했지만, 아주 미세한 질감을 표현하는 데는 실제 염료만큼 날카롭지 못했습니다. 이러한 격차는 미세한 디테일을 찾도록 훈련된 숙련된 의사들에게 더 두드러졌던 반면, 경험이 적은 의사들은 가상 이미지를 실제 이미지만큼이나 선명하다고 느꼈습니다. 이는 이 기술이 특히 경험이 적은 의료진에게 도움이 될 수 있으며, 전문적인 훈련 없이도 필요한 부분을 볼 수 있게 도와줄 수 있음을 시사합니다.

연구는 이 인공지능 모델이 안정성을 갖추고 다양한 병원에서 작동할 수 있는 고품질의 가상 염색 이미지를 생성할 수 있는 실행 가능한 도구라는 결론을 내렸습니다. 비록 이 시스템이 모든 미세한 디테일을 보여주는 데 있어 아직 완벽하지는 않지만, 조기 암 탐지에 필요한 가장 중요한 시각적 특징들을 성공적으로 재현합니다. 연구진은 이것이 중요한 진전임을 언급하면서도, 더 많은 테스트가 필요하다는 점을 강조했습니다. 향후 연구는 실제 환자 처치 과정 중에 이 가상 이미지를 사용하는 것이 실제로 탐지율을 높이고 생명을 구할 수 있는지 확인해야 할 것입니다. 현재로서는, 이 연구는 컴퓨터가 인간의 손에 들린 분무기만큼이나 질병의 숨겨진 패턴을 볼 수 있다는 것을 증명하고 있습니다.