Artificial intelligence-derived quantitative blastocyst morphology for objective embryo assessment and fetal heart tone stratification

자궁 밖에서 생명이 시작되는 조용하고 온도가 조절되는 실험실에서, 배아 연구자들은 매우 섬세하고 중대한 책임을 동반하는 과업에 직면합니다. 그들은 초기 인간 배아의 미세한 이미지를 보고 어떤 배아가 아기로 성장할 가능성이 가장 높은지 결정해야 합니다. 이 결정은 배아의 형태와 구조를 검사하는 '포배기 등급(blastocyst grading)'이라는 체계에 의존합니다. 전문가들은 세 가지 주요 요소를 살핍니다. 즉, 배아가 얼마나 확장되었는지, 아기가 될 세포 집단(내세포집단), 그리고 태반을 형성할 외곽 세포층(영양외배엽)입니다. 수십 년 동안 이것은 현미경을 통해 관찰하는 과학자의 숙련된 눈과 경험에 의존하는 인간의 영역이었습니다. 그러나 인간의 시각은 불완전합니다. 두 명의 전문가가 동일한 이미지를 보고도 서로 다른 품질을 볼 수 있으며, 이는 일관되지 않은 판단으로 이어질 수 있습니다. 난임 치료에 대한 수요가 증가함에 따라, 이 작은 발달 중인 생명들을 읽어내는 데 있어 더 객적이고 일관된 방법이 절실해졌습니다.

한국의 연구팀이 발표한 새로운 연구는 인공지능이 이 중요한 평가를 위한 더 명확하고 신뢰할 수 있는 렌즈를 제공할 수 있는지 탐구합니다. 연구진은 단순히 컴퓨터에게 어떤 배아가 성공할지 추측하라고 요청한 것이 아닙니다. 대신, 그들은 배아의 해부학적 구조를 측정하는 정밀한 줄 역할을 하는 디지털 도구를 구축했습니다. 딥러닝 모델을 사용하여, 이 소프트웨어는 먼저 배아의 외각 껍질, 내부 세포 집단, 그리고 외부 세포층의 구체적인 경계를 식별했습니다. 이러한 디지털 윤곽으로부터 시스템은 껍질의 두께, 내부 세포 집단의 둥근 정도, 가장자리 세포 수와 같은 17가지의 서로 다른 측정값을 추출했습니다. 연구팀은 이러한 수치 데이터가 두 가지 측면에서 인간 전문가보다 더 나은 성능을 보이는지 테스트했습니다. 하나는 배아의 등급을 결정하는 데 있어 합의를 이루는 능력이고, 다른 하나는 배아가 결국 심장 박동, 즉 '태아 심음'이라 불리는 핵심 이정표를 보여줄 것인지를 예측하는 능력입니다.

이 연구는 7개의 서로 다른 난임 센터에서 수집된 1만 개 이상의 배아 이미지를 분석했습니다. 연구진이 컴퓨터의 등급을 인간 배아 연구자 패널이 내린 합의된 등급과 비교했을 때, 결과는 놀라웠습니다. 발달 단계와 내부 세포 집단의 질에 대해, 인공지능 모델은 단일 인간 배아 연구자보다 인간의 합의된 의견과 더 자주 일치했습니다. 인간 전문가들 사이에서도 상당한 일치도를 보였지만, 컴퓨터는 거의 완벽에 가까운 일치도를 달야냈습니다. 이는 이미지로부터 도출된 정량적 측정값이 관찰자의 주관적인 해석보다 배아의 구조적 실체를 더 일관되게 포착한다는 것을 시사합니다. 컴퓨터는 단순히 인간의 의견을 모방한 것이 아니라, 서로 다른 의사들 사이의 자연스러운 변동성을 줄여주는 안정적이고 재현 가능한 표준을 제공했습니다.

그러나 가장 중요한 발견은 태아 심음의 예측과 관련되었습니다. 연구진은 17가지 정량적 측정값을 사용하여 배아가 심장 박동을 발달시킬지 예측하도록 머신러닝 모델을 학습시켰습니다. 그런 다음 이 AI 모델을 전통적인 인간 합의 등급만을 기반으로 한 모델과 비교했습니다. 배아의 형태에 관한 가공되지 않은 수치를 사용한 AI 모델은 유의미하게 더 우수한 성능을 보였습니다. AI 모델은 인간의 등급 시스템 단독 사용 시보다 심장 박동을 발달시킬 배아와 그렇지 않을 배아를 더 정확하게 구분해 냈습니다. 이 과정이 어떻게 작동하는지 이해하기 위해 연구진은 AI의 의사결정 과정을 간단한 순서도로 분해했습니다. 그 결과, 배아 가장자리의 세포 수와 외각 껍질의 두께가 가장 강력한 지표라는 것을 발견했습니다. 예를 들어, 특정 수의 가장자리 세포를 가지고 매우 얇은 외각 껍질을 가진 배아는 다른 배아들에 비해 심장 박동을 발달시킬 확률이 훨씬 높았습니다.

연구진이 두 시스템이 고성공 및 저성공 그룹을 나누는 능력을 살펴보았을 때, 그 차이는 명확했습니다. 인간의 합의 등급은 심박률이 약 16.7%에서 36.2% 사이인 그룹으로 배아를 분류할 수 있었습니다. 반면, AI 기반의 정량적 모델은 11.8%에서 46.8%에 이르는 훨씬 넓은 범위의 그룹을 만들어냈습니다. 이 넓은 범위는 AI가 인간 시스템이 구별할 수 있는 것보다 훨씬 더 성공 가능성이 높은 하위 집단을 식별할 수 있음을 의미합니다. 컴퓨터는 단순히 "좋다" 또는 "나쁘다"라고 말하는 것이 아니라, 더 세밀한 확률 척도를 제공함으로써 어떤 배아가 가장 강력한 잠재력을 가졌는지에 대한 더 미묘한 관점을 허용했습니다.

또한 연구는 컴퓨터가 사용하는 숫자들이 생물학적으로 타당하다는 것을 확인했습니다. AI가 중요하게 여긴 지표들, 즉 외각 껍질의 두께와 내부 세포 집단의 조밀함은 과학자들이 이미 알고 있는 건강한 발달 과정과 일치합니다. 얇은 껍질은 종종 배아가 부화할 준비가 되었음을 나타내며, 조밀한 내부 집단은 아기를 형성할 강력한 잠재력을 시사합니다. AI가 생물학적 규칙을 명시적으로 전달받지 않고도 순수한 데이터 분석을 통해 동일한 결론에 도달했다는 사실은 이 발견에 무게를 더합니다. 이는 이러한 측정 가능한 특징들이 건강한 배아의 물리적 징후라는 점을 시사합니다.

이러한 유망한 결과에도 불구하고, 연구진은 이것이 인간의 판단을 대체하는 것이 아니며, 살아있는 출생을 보장하는 것도 아니라는 점을 주의 깊게 명시했습니다. 이 연구는 심장 박동의 존재에 초점을 맞추었으며, 이는 긍정적인 신호이기는 하지만 임신의 최종 결과는 아닙니다. AI 모델은 산모의 연령이나 자궁 상태와 같은 다른 결정적인 요인들을 고려하지 않았습니다. 또한, 이 연구는 단일 국가의 데이터를 바탕으로 수행되었으므로, 다른 인구 집단에서도 검증될 필요가 있습니다. 연구진은 또한 컴퓨터가 세포층의 등급을 매길 때 인간보다 약간 덜 일관적이었다는 점을 인정했는데, 이는 단일 평면 이미지가 해당 층의 완전한 3차원 형태를 보여줄 수 없기 때문일 것입니다.

이 작업이 보여주는 것은 인공지능이 실험실에서 강력하고 객관적인 파트너 역할을 할 수 있다는 점입니다. 배아 등급을 매기는 시각적 예술을 정밀하고 재현 가능한 측정값으로 전환함으로써, 이 기술은 인간의 불일치를 줄이고 놓칠 수 있는 미묘한 패턴을 발견하는 방법을 제시합니다. 이 연구는 배아 연구자의 깊은 경험과 AI의 엄격한 데이터 기반 통찰력을 결합하는 것이 더 나은 난임 치료 결정을 이끌 수 있음을 시사합니다. 이는 배아의 선택이 단순히 눈에 보이는 것에 의해서가 아니라, 그 안에서 발달 중인 작은 생명에 대해 데이터가 밝혀내는 바에 의해 안내되는 미래를 향한 한 걸음입니다.