Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

정적이고 긴장감이 흐르는 의료 진단의 세계에서 병리 의사의 눈은 최종적인 판결자이다. 환자에게 의심스러운 종양이 발견되면, 작은 조직 조각을 채취하여 유리 슬라이드 위에 올려놓는다. 현미경 아래에서 전문가는 암의 징후, 즉 형태를 잃은 세포, 너무 커진 핵, 또는 있어서는 안 될 곳에서 자라나는 조직 등을 찾는다. 이 수동적인 과정은 종양을 찾아내는 표준 방식(gold standard)이지만, 느리고, 기력을 소진시키며, 인간의 실수에 취약하다. 가장 숙련된 의사들조차 자신이 보는 것에 대해 의견이 갈릴 수 있으며, 검토해야 할 슬라이드의 엄청난 양은 피로와 세부 사항의 누락으로 이어질 수 있다. 현대 의학이 직면한 질문은, 기계가 인간과 같은 정밀함을 갖추되 피로 없이 이러한 패턴을 학습하여, 결코 깜빡이지 않는 '두 번째 눈'을 제공할 수 있는지 여부이다.

인도의 연구 기관들로 구성된 연구팀은 이 질문에 답하기 위한 중요한 발걸음을 내디뎠으며, 특히 혀와 상기도의 종양에 초점을 맞추었다. 그들은 디지털 조직 샘사 이미지를 분석하도록 설계된 새로운 컴퓨터 시스템을 개발했다. 목표는 단순히 암을 찾아내는 것뿐만 아니라, 이를 구체적인 범주로 분류하는 것이었다. 즉, 해롭지 않은 양성 종양, 위험한 악성 종양, 그리고 세포가 변화하고 있으나 아직 완전히 암이 되지는 않은 경고 단계인 이형성증(dysplasia)으로 나누는 것이다. 이를 위해 연구진은 일반적인 사진을 학습한 기존 소프트웨어에 의존하는 대신, 이미지로부터 직접 학습하는 맞춤형 인공지능 모델을 구축했다.

여정은 원재료로부터 시작된다. 바로 생검 슬라이드에서 촬영된 수천 장의 디지털 이미지들이다. 이 이미지들은 모두 동일하지 않다. 마치 지도를 확대하듯 세 가지 다른 배율로 캡처된다. 넓은 시야에서는 조직의 전반적인 배치를 보고, 중간 배율에서는 조직 층이 어떻게 성장하는지 포착하며, 가장 높은 배율에서는 개별 세포와 그 핵을 볼 수 있다. 연구진은 컴퓨터를 효과적으로 훈련시키기 위해 먼저 이미지를 정화해야 한다는 점을 깨달았다. 실제 현미경 슬라이드에는 불균일한 염색, 기포, 혹은 그림자와 같은 결함이 있을 수 있으며, 이는 컴퓨터를 혼란스럽게 할 수 있다. 연구팀은 색상과 대비를 조절하여 중요한 조직 부분이 배경과 뚜렷하게 대비되도록 하는 특수한 이미지 처리 단계를 만들었다. 이 과정은 컴퓨터가 슬라이드 제작의 결함이 아닌, 순수한 생물학적 구조를 바라보도록 보장한다.

이미지가 깨끗해지자, 연구진은 '대조도 스트레칭 합성곱 신경망(Contrast Stretched Convolutional Neural Network)'이라 부르는 새로운 모델을 도입했다. 많은 다른 AI 시스템이 여러 개의 일반적인 블록을 쌓아 만드는 것과 달리, 이 모델은 의료용 슬라이드의 특수한 요구 사항을 처리하기 위해 기초부터 설계되었다. 이 모델은 '만능형' 접근 방식을 사용하지 않는다. 대신, 인간 병리 의사가 큰 그림에서 미세한 세부 사항으로 초점을 옮기는 방식을 모방하여, 다양한 척도에서 조직을 동시에 관찰하도록 구조화되었다. 시스템은 건강한 세포와 암으로 변해가는 세포의 독특한 모양과 질감을 인식하는 법을 배운다. 이 모델은 5,000장이 넘는 이미지 데이터셋을 통해 훈련되었으며, 이 데이터는 컴퓨터가 일부로부터 학습하고 이전에 본 적 없는 다른 데이터로 테스트를 받을 수 있도록 정교하게 나누어졌다.

이 훈련의 결과는 놀라웠다. 새로운 이미지를 대상으로 테스트했을 때, 모델은 98%의 사례에서 종양의 유형을 정확히 식별해 냈다. 이 모델은 염증, 해로운 증식, 그리고 다양한 단계의 암을 구분해 내는 데 있어, 사전 학습된 데이터를 사용하는 다른 고급 컴퓨터 모델의 성능과 대등하거나 때로는 능가하는 정확도를 보여주었다. 시스템은 효율적인 훈련 속도를 입증했으며, 학습 단계에서 에포크(epoch)당 단 2초 만에 높은 정확도에 도달했다. 연구진은 이 모델이 초기 단계의 변화와 본격적인 암 사이의 미묘한 차이를 다루는 데 특히 뛰어나다고 언급했는데, 이는 인간 전문가들에게도 어려운 과업이다. 이처럼 높은 수준의 정확도를 달성함으로써, 본 연구는 이러한 자동화된 시스템이 언젠가 병리 의사의 신뢰할 수 있는 파트너로서 역할을 수행하며, 진단 시간을 단축하고 인간의 피로로 인해 종양을 놓치는 일이 없도록 보장할 수 있음을 시사한다.

이 연구는 의사를 대체하겠다는 주장이 아니라, 초기 스크리닝의 힘든 작업을 처리할 수 있는 강력한 도구를 제공하려는 것이다. 연구진은 자신들의 접근 방식이 투명하다는 점을 강조한다. 즉, 모델이 숨겨진 지름길 없이 의료 이미지로부터 직접 학습하기 때문에 그 결정 과정을 이해하고 신뢰하기 쉽다는 것이다. 비록 이번 연구는 혀와 기도 종양에 집중했지만, 이 방법론은 컴퓨터가 인간 조직의 복잡한 언어를 읽는 법을 배우는 방법에 대한 청사진을 제공한다. 다만, 저자들은 모델의 계산 비용이 특히 이질적인 다중 모드 데이터 샘플을 처리할 때 고려되어야 할 요소라고 언급했다. 기술이 성숙해짐에 따라, 이 기술은 고품질의 암 진단을 더욱 접근 가능하게 만들어, 한때 고도의 집중력을 요했던 과정을 환자를 돌보는 인간 전문가를 지원하는 빠르고 자동화된 점검 체계로 바꾸어 놓을 잠재력을 지니고 있다.