Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

결핵은 여전히 지구상에서 가장 끈질기고 치명적인 감염병 중 하나로, 매년 100만 명 이상의 생명을 앗아가고 있습니다. 현대 의학이 이 질병을 치료할 방법들을 개발해 왔지만, 점점 더 커지는 위협이 다가오고 있습니다. 바로 약제 내성 균주입니다. 이들은 자신을 죽이는 데 사용되는 표준 의약품에서 살아남는 법을 배운 박테리아들입니다. 이러한 내성 균주를 빠르게 식별하는 것은 시간과의 싸움입니다. 만약 환자가 약제 내성 버전으로 감염되었음에도 표준 약물로 치료받는다면, 질병은 계속 퍼져나가고 환자의 상태는 악화되어 종종 사망에 이르게 됩니다. 현재의 진단 표준 방식은 샘플을 채취하여 실험실에서 어떤 약이 효과가 있는지 테스트하는 것이지만, 이 과정은 몇 주가 걸릴 수 있습니다. 감염병의 세계에서 몇 주라는 시간은 확산과 광범적인 유행 사이의 차이를 만드는 결정적인 시간이 될 수 있습니다.

연구자들은 오랫동안 흉부 X선 사진에 나타나는 패턴이 환자가 약제 내성 균주를 보유하고 있는지에 대한 단서를 쥐고 있을 것이라고 의심해 왔습니다. 흉부 X선은 폐를 보여주는 단순하고 널리 보급된 영상입니다. 인간 의사는 이 영상을 보고 폐에 감염이 있는지 확인하지만, 육안만으로는 일반적인 감염과 약물에 내성을 가진 감염을 쉽게 구별할 수 없습니다. 그러나 인간의 눈만이 패턴을 볼 수 있는 유일한 도구는 아닙니다. 새로운 연구는 인공지능의 힘을 활용하여 인간의 능력을 넘어서는 방식으로 이 영상들을 살펴보고, 환자가 클리닉에 도착한 직나후 즉시 약제 내성의 미세한 징후를 포착하는 것을 목표로 하고 있습니다.

연구팀은 조기 경보 신호 역할을 할 수 있는 컴퓨터 시스템을 구축하기 위해 노력했습니다. 그들은 새로운 기계나 새로운 종류의 스캐너를 만든 것이 아닙니다. 대신, 기존의 흉부 X선 이미지와 그 이미지를 촬영한 환자들의 확진된 의료 기록을 방대하게 활용했습니다. 이 데이터는 전 세계 결핵 환자들의 정보를 수집하는 'TB 포털스(TB Portals)'라는 글로벌 프로젝트에서 가져온 것입니다. 연구진은 동유럽과 중앙아시아 환자들의 이미지 7,000장 이상을 선정하였으며, 이를 통해 각 환자가 약제 감수성 균주를 가졌는지 아니면 약제 내성 균주를 가졌는지에 대한 명확한 기록을 확보했습니다. 연구진은 이 데이터를 세 그룹으로 나누었습니다. 하나는 컴퓨터를 가르치기 위한 그룹, 하나는 진행 상황을 점검하기 위한 그룹, 그리고 마지막은 실제 시험을 치르기 전 연습 시험을 보는 학생처럼 최종 기술을 테스트하기 위한 그룹입니다.

이 시스템을 구축하기 위해 연구진은 단일 컴퓨터 프로그램에 의존하지 않았습니다. 대신, 그들은 서로 다른 인공지능 모델들이 함께 작동하는 팀인 '앙상블(ensemble)'을 만들었습니다. 그들은 흉부 X선에 대해 세 가지 서로 다른 딥러닝 모델(이미지의 패턴을 인식하도록 설계된 복잡한 컴퓨터 프로그램)을 훈련시켰습니다. 이 모델들은 인간의 눈이 놓칠 수 있는 폐 영상 속의 수천 가지 미세한 세부 사항들을 식별하는 법을 배웠습니다. 이와 병행하여, 연구팀은 이미지를 질감이나 모양과 같은 수백 개의 측정 가능한 수학적 특징으로 분해하는 '라디오믹스(radiomics)'라는 다른 방법을 사용했습니다. 또한 연령, 성별, 그리고 당뇨병이나 HIV와 같은 다른 건강 상태의 유무와 같은 환자의 기본 정보도 포함했습니다.

그 후 연구진은 이 모든 다양한 출처의 통찰력을 결합했습니다. 세 가지 영상 판독 모델의 예측값, 라디오믹스 분석, 그리고 환자의 기본 건강 데이터를 모두 모아 최종 머신러닝 분류기에 입력했습니다. 이 마지막 단계는 모든 증거를 검토하여 하나의 확률 점수를 산출하는 판사 역할을 했습니다. 이 점수는 환자가 약제 내성형 결핵을 가졌을 가능성을 나타냅니다. 이 시스템은 실험실 결과가 돌아오기를 기다리는 대신, 고위험 환자를 즉각적인 정밀 검사와 치료를 위해 분류해내는 첫 번째 방어선이자 문지기 역할을 하도록 설계되었습니다.

연구팀이 이전에 본 적 없는 데이터로 최종 모델을 테스트했을 때, 결과는 유망했습니다. 시스템은 약제 내성 사례와 약제 감수성 사례를 높은 정확도로 구분해 냈습니다. 테스트 그룹에서 모델은 두 그룹을 신뢰성 있게 분리할 수 있다는 지표를 달성했으며, 임상 정보만을 사용했을 때보다 훨씬 뛰어난 성능을 보였습니다. 모델은 단순히 무작위로 추측한 것이 아니라 명확한 패턴을 보여주었습니다. 나중에 가장 심각한 형태의 약제 내성, 즉 광범위 약제 내성 결핵(XDR-TB)으로 확인된 환자들은 일반적인 내성 환자보다 모델로부터 더 높은 위험 점수를 받았습니다. 이는 시스템이 단순히 내성의 존재 여부뿐만 아니라 내성의 강도까지도 감지할 수 있을 만큼 민감하다는 것을 시사합니다.

연구진은 또한 모델이 올바른 곳을 보고 있는지 확인하기 위해 모델이 어떤 결정을 내리는지 살펴보았습니다. 컴퓨터의 선택에 영향을 준 이미지의 특정 부분을 강조하는 기법을 사용하여, 모델이 의사가 보는 위치와 정확히 일치하는 폐 영역에 집중하고 있음을 발견했습니다. 모델은 질병의 특징인 폐 내부의 어두운 패치와 구조적 변화를 식별해 냈습니다. 그러나 연구는 한계점도 드러냈습니다. 빈혈이나 HIV와 같은 다른 건강 상태를 가진 환자들의 경우 모델의 성능이 떨어졌습니다. 이는 이 시스템이 강력하긴 하지만, 다른 질병이 폐에 있을 경우 모델이 찾고자 하는 패턴을 혼란스럽게 만들어 진단을 더 어렵게 만들 수 있음을 나타냅니다 수 있습니다.

본 연구는 흉부 X선이 이와 같은 특정 유형의 인공지능에 의해 분석될 때, 약제 내성 위험에 대한 빠르고 의미 있는 추정치를 제공할 수 있다고 결론짓습니다. 저자들은 이 시스템이 어떤 특정 약물이 효과가 있는지 확진하는 실험실 테스트를 대체하는 것이 아님을 분명히 하고 있습니다. 대신, 이는 강력한 선별 도구 역할을 합니다. 첨단 실험 장비가 부족한 지역의 바쁜 클리닉에서, 이 도구는 의사들이 어떤 환자에게 즉각적이고 전문적인 케어가 필요한지 결정하는 데 도움을 줄 수 있습니다. 가장 위험한 사례를 조기에 식별함으로써, 이 시스템은 적절한 치료를 더 빨리 시작할 수 있게 하여, 잠재적으로 생명을 구하고 이 까다로운 박테리아가 더 큰 해를 끼치기 전에 확산을 막는 길을 제시합니다. 이 연구는 적절한 데이터와 다양한 유형의 컴퓨터 모델 간의 협력적인 접근 방식이 있다면, 수십 년 동안 찍혀온 영상으로부터 새로운 생명 구조의 통찰력을 추출할 수 있음을 보여줍니다.