Interactive Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT: The autoPET/CT-IV Challenge

암과의 싸움에서 의사들은 인체의 내부를 들여다보며 장기와 조직이 어떻게 움직이는지를 포착하는 강력한 카메라에 의존합니다. 가장 중요한 두 가지 도구는 세포가 에너지를 빠르게 태우는 영역을 밝게 보여주는 PET 스캔과, 신체의 물리적 구조를 상세한 지도로 제공하는 CT 스캔입니다. 의사들이 이 영상들을 살펴볼 때, 그들은 암이 자리 잡은 작고 종종 불규칙한 점들을 찾아내야 합니다. 이 작업은 단순히 한 지점을 찾는 것에 그치지 않습니다. 이는 신체의 어느 정도가 영향을 받았는지 정확히 측정하고, 치료가 효과를 나타냄에 따라 그 점들이 몇 주 또는 몇 달 동안 어떻게 변하는지 관찰하는 과정을 포함합니다. 이를 수동으로 하는 것은 느리고, 기진맥진하게 만들며, 의사들 간의 차이를 유발하여 일관되지 않은 진료로 이어질 수 있습니다. 이를 돕기 위해 과학자들은 컴퓨터가 이 작업을 자동으로 수행하도록 가르치는 데 수년을 보냈지만, 이 기계들은 학습한 이미지와 모습이 다르거나 암 부위가 매우 작거나 희미할 때 종종 어려움을 겪습니다.

한 새로운 연구는 전 세계적인 연구 그룹을 모아 다른 접근 방식을 테스트했습니다. 즉, 컴퓨터에게 모든 것을 혼자서 하라고 요구하는 대신, 인간 의사가 단계별로 도움을 줄 때 컴퓨터가 얼마나 잘 작동할 수 있는지를 물었습니다. 연구진은 autoPET/CT-IV 챌린지로 알려진 경연 대회를 조직하여, 전 세계 팀들이 두 가지 특정 문제를 해결하기 위해 자신들의 최고의 컴퓨터 프로그램을 제출하도록 했습니다. 첫 번째 문제는 단일 이미지 세트를 보고 인간이 화면을 클릭하여 컴퓨터를 안내하며 진행 과정에서 오류를 수정하는 것이었습니다. 두 번째 문제는 훨씬 더 어려웠는데, 컴퓨터가 환자의 현재 스캔 영상을 보고 과거의 영상만을 근거로 미래의 스캔에서 암이 정확히 어떤 모습일지를 예측하도록 하는 것이었습니다. 목표는 인간의 안내와 인공지능을 결합하는 것이 정확하면서도 실제 병원에서 사용할 수 있을 만큼 신뢰할 수 있는 도구를 만들 수 있는지 확인하는 것이었습니다.

결과는 인간 의사가 간단한 클릭으로 컴퓨터를 다독일 수 있게 허용했을 때, 기계가 업무를 수행하는 능력이 현저히 향려된다는 것을 보여주었습니다. 참가자들이 단일 스캔에서 암 부위를 윤곽 잡아야 했던 첫 번째 작업에서, 가장 우수한 컴퓨터 프로그램은 대략적인 추측에서 시작하여 시뮬레이션된 의사가 놓친 부분이나 틀린 부분을 클릭함에 따라 개선되었습니다. 10번의 수정 과정을 거친 후, 컴퓨터의 윤곽은 AUC 0.74로 실제 암의 형태와 일치했습니다. 이는 컴퓨터가 혼자서 수행했을 때보다 명확한 개선이었으며, 이 시스템은 다양한 유형의 스캔과 서로 다른 병원의 영상에서도 잘 작동했습니다. 연구 결과, 컴퓨터는 암을 찾는 능력은 좋아졌지만, 너무 많은 수정을 받으면 간혹 건강한 조직을 암으로 표시하기 시작했는데, 이는 모든 지점을 찾아내는 것과 가짜 알람을 만들지 않는 것 사이의 섬세한 균형이 필요함을 시사합니다.

그러나 연구진이 컴퓨터에게 시간이 흐름에 따라 암이 어떻게 변할지 예측하도록 요청했을 때는 결과가 훨씬 덜 고무적이었습니다. 두 번째 작업에서 프로그램들은 기준 스캔을 보고 몇 달 후의 후속 스캔에서 암이 어디에 있을지 추측해야 했습니다. 이 범주에서 가장 뛰어난 프로그램은 미래의 암 부위를 약 38%의 정확도로만 일치시켰습니다. 이 낮은 점수는 기계가 종양이 줄어들거나, 사라지거나, 새로운 위치로 이동할 수 있다는 것을 이해하는 것이 얼마나 어려운지를 강조합니다. 컴퓨터는 만약 어떤 점이 이전에 존재했다면 나중에도 여전히 그곳에 있을 것이라고 가정하는 경향이 있었으며, 이는 암이 실제로 사라지거나 새로운 점이 나타날 때 오류를 초래했습니다. 이 연구는 컴퓨터가 인간의 도움을 받아 현재 눈에 보이는 것을 찾는 데는 뛰어나지만, 질병의 미래 행동을 신뢰성 있게 예측할 준비는 아직 되지 않았음을 시사합니다.

또한 이번 경연은 암의 종류와 사진을 찍는 데 사용된 특정 기계가 매우 중요하다는 것을 드러냈습니다. 한 세트의 영상에서는 잘 작동하던 프로그램이 다른 영상에서는 어려움을 겪기도 했는데, 이는 도구들이 스캔이 촬영된 특정 조건에 여전히 민감하다는 것을 보여줍니다. 연구진은 컴퓨터가 크고 밝은 점을 찾는 데는 탁고하지만, 놓치기 쉬운 가장 위험한 부분인 작고 희미한 점들은 자주 놓친다는 점에 주목했습니다. 여러 국가의 수천 개의 실제 환자 스캔을 사용하여 이 시스템들을 테스트함으로써, 이 연구는 기술이 현재 어디에 와 있는지에 대한 명확한 그림을 제공했습니다. 연구는 가장 유망한 길은 의사를 기계로 대체하는 것이 아니라, 컴퓨터가 어려운 부분을 처리하고 인간 전문가가 까다로운 부분을 해결하는 파트너십을 구축하는 것임을 확인했습니다.

궁극적으로, 이 작업은 암 영상의 미래가 이러한 종류의 협업에 달려 있음을 보여줍니다. 컴퓨터는 몇 초 만에 방대한 양의 데이터를 처리하여 진단의 초안을 제공할 수 있고, 의사는 놓치는 것이 없도록 최종 판단을 내립니다. 연구는 질병의 진행을 예측하는 완전 자동화된 시스템이라는 꿈은 여전히 손에 닿지 않는 곳에 있지만, 상호작적인 보조 진단 도구는 실제 클리닉에서 테스트될 준비가 되었다고 결론지었습니다. 인공지능의 속도와 인간 전문가의 미묘한 이해력을 결합함으로써, 의사들은 곧 암을 더 정밀하게 추적하고 치료를 더 빠르게 조정하여 환자들에게 더 나은 회복 기회를 줄 수 있을 것입니다. 앞으로 나아갈 길은 명확합니다. 인간을 완전히 대체하려 하기보다, 인간의 교정으로부터 배우는 시스템을 구축하는 것입니다.