Brain tumor classification: A comparative analysis of deep learning techniques and impact of augmentation approaches on T1-CE MRI scans

인간의 뇌는 신체의 명령 센터로서, 사고, 움직임, 감각을 조절하는 복잡한 세포 네트워크입니다. 이 섬세한 기관 내에서 비정상적인 세포들이 통제 불능 상태로 증식하기 시작하면 종양을 형성하며, 이는 중요한 기능을 방해하고 방치할 경우 생명을 위협할 수 있습니다. 의사들은 두개골 내부를 들여다보고 이러한 성장을 포착하기 위해 의료 영상, 구체적으로는 자기공명영상(MRI)에 의존합니다. 이 스캔은 뇌 조직의 상세한 사진을 만들어내지만, 이를 해석하려면 수막종, 신경교종, 뇌하수체 종양과 같은 서로 다른 유형의 종양을 구별할 수 있는 숙련된 안목이 필요하며, 각 종양은 서로 다른 치료 전략을 요구합니다. 최근 몇 년 동안 과학자들은 이 중요한 과업을 돕기 위해 인공지능을 활용해 왔습니다. 컴퓨터 프로그램이 이러한 영상 속의 패턴을 인식하도록 학습시킴으로써, 연구자들은 전통적인 방식보다 더 빠르고 정확하게 뇌종양을 진단할 수 있는 도구를 만들기를 희망하고 있습니다.

인도 아므리타 비슈와 비디피탐(Amrita Vishwa Vidyapeetham)의 연구팀은 제한된 데이터라는 난관에 직면했을 때 이러한 인공지능 시스템이 얼마나 잘 수행되는지를 테스트하기 위해 연구를 시작했습니다. 의료 영상 분야에서는 고품질 스캔 데이터를 확보하기 어려운 경우가 많으며, 컴퓨터가 질병을 인식하도록 학습시키려면 보통 수천 개의 사례가 필요합니다. 이를 해결하기 위해 연구팀은 데이터 증강(data augmentation)이라고 불리는 기법을 탐구했습니다. 이 과정은 기존 이미지를 수학적으로 변형하여—회전시키거나, 뒤집거나, 밝기를 조 조정함으로써—새로운 합성 버전을 만드는 것을 포함합니다. 연구진은 이러한 추가 이미지를 생성하는 데 어떤 방법이 가장 효과적인지 알고 싶었습니다. 그들은 표준적인 기하학적 변화, 두 이미지를 혼합하는 고급 혼합 기법, 그리고 완전히 새로운 이미지를 처음부터 만들어내는 일종의 인공지능인 생성적 적대 신경망(GAN)을 사용하는 정교한 방법을 테스트했습니다.

연구는 종양을 뚜렷하게 부각하기 위해 조영제를 사용하여 촬영된 3,064개의 뇌 스캔 데이터 세트에 집중했습니다. 연구팀은 이 이미지들을 방대한 양의 다른 데이터로부터 이미 패턴을 학습한 '디지털 뇌'와 같은 일곱 가지 서로 다른 사전 학습된 인공지능 모델에 입력했습니다. 그들은 이 모델들이 세 가지 주요 유형의 뇌종양을 정확하게 식별할 수 있는지 테스트했습니다. 결과에 따르면 VGG-16으로 알려진 특정 모델이 다른 모델들보다 뛰어난 성능을 보였습니다. 이 시스템은 92.45%의 정확도를 달-성했는데, 이는 10건 중 9건 이상의 사례에서 종양 유형을 정확히 식별했음을 의미합니다. 또한 96.22%의 특이도를 보이며 종양과 정상 조직을 구별하는 데 높은 신뢰성을 입증했습니다. 연구진은 모델을 가르치는 데 사용된 수학적 도구의 선택이 매우 중요하다는 것을 발견했으며, 'Adam'이라 불리는 방법이 학습 과정을 안내하는 데 가장 효과적이어서 다른 옵션들보다 더 빠르고 안정적으로 정답에 수렴하도록 돕는다는 것을 확인했습니다.

이러적인 발견이 단순히 운이 좋았던 결과가 아님을 보장하기 위해, 연구팀은 자신들의 최적 모델을 엄격한 테스트에 투입했습니다. 그들은 데이터를 다섯 개의 서로 다른 그룹으로 나누고 모델을 각 그룹에 대해 테스트하여 일관되게 작동하는지 확인하는 교차 검증(cross-validation) 방법을 사용했습니다. 또한 추가 이미지를 생성하는 다양한 방식들을 비교했습니다. 연구 결과, 생성적 적대 신경망을 사용하여 새로운 이미지를 처음부터 만드는 것이 흥미로운 접근 방식이긴 했으나, 가장 일관된 결과는 원본 스캔을 회전시키거나 뒤집는 것과 같은 단순하고 전통적인 방법에서 나왔습니다. 두 이미지를 혼합하거나 고급 생성 방식을 사용했을 때 성능이 표준 기법보다 유의미하게 향상되지는 않았습니다. 사실, 전통적인 방식이 모든 테스트에서 91% 이상의 평균 정확도를 기록하며 가장 안정적인 결과를 냈습니다.

인공지능이 어떻게 결정을 내리는지 이해하는 것은 의학에서 결정 그 자체만큼이나 중요합니다. 의사는 컴퓨터가 실제 종양을 보고 있는 것인지, 아니면 단순히 무작위적인 그림자를 바탕으로 추측하고 있는 것인지 알아야 합니다. 이를 해결하기 위해 연구진은 컴퓨터의 주의력을 비추는 '스포트라이트' 역할을 하는 Grad-CAM이라는 기술을 사용했습니다. 이 도구는 모델의 예측에 영향을 미친 뇌 스캔의 특정 영역을 강조하는 히트맵(heat map)을 생성합니다. VGG-16 모델에 적용했을 때, 이 히트맵은 시스템이 오해의 소지가 있는 패턴에 의존하는 대신 실제 종양 영역에 집중하고 있음을 명확히 보여주었으며, 이는 인공지능이 올바른 해부학적 특징을 학습하고 있음을 확인시켜 주었습니다. 이러한 투명성은 실제 임상 현장에서 이러한 도구에 대한 신뢰를 구축하는 데 있어 중요한 단계입니다.

이러한 유망한 결과에도 불구하고, 연구진은 자신들의 연구에 한계가 있음을 인정합니다. 본 연구는 단일한 공개 데이터 세트에 의존했기 때문에, 다른 병원의 다양한 유형의 스캔이나 장비를 처리할 수 있는 모델의 능력은 아직 입증되지 않았습니다. 더욱이, 가장 성능이 좋은 모델은 상당한 컴퓨팅 능력을 요구하며, 이는 자원이 제한된 병원들에게 걸림돌이 될 수 있습니다. 저자들은 향후 연구에서 더 가볍고 효율적인 모델을 탐색하고, 다양한 유형의 자기공명영상(MRI)을 포함한 더 넓은 범위의 뇌 스캔을 테스트해야 한다고 제안합니다. 또한 이 시스템을 병원의 워크플로우에 통합하여 의사를 실시간으로 보조하는 방안도 제시합니다. 현재로서는, 이 연구는 적절한 데이터 준비와 모델 선택이 결합될 때 인공지능이 뇌종양과의 싸움에서 강력하고 신뢰할 수 있는 파트너가 될 수 있음을 보여주는 명확한 로드맵을 제공합니다.