A Deep Learning–Based Framework for Lung Cancer Detection Using Medical Imaging.

폐암은 전 세계적으로 암 사망의 주요 원인으로 남아 있으며, 유방암, 대장암, 전립선암을 모두 합친 것보다 더 많은 생명을 앗아가고 있습니다. 의사들의 과제는 단순히 질병을 찾는 것이 아니라, 차이를 만들 수 있을 만큼 충분히 조기에 발견하는 것입니다. 이를 위해서는 종종 수천 장의 컴퓨터 단층촬영(CT) 영상을 검토하며, 인간의 눈이 놓치거나 오해할 수 있는 미세하고 미묘한 비정상 조직의 징후를 찾아내야 합니다. 최근 몇 년 동안, 딥러러닝이라 불리는 인공지능의 한 분야가 이 작업에 강력한 도구로 등장했습니다. 합성곱 신경망(CNN)이라 불리는 구조를 기반으로 구축된 이 시스템들은 뇌가 시각 정보를 처리하는 방식을 모방하도록 설계되었습니다. 이들은 이미지를 스캔하여 가장자리와 질감을 식별하고, 건강한 조직과 병든 조직이 어떻게 다른지에 대한 복잡한 이해를 점진적으로 쌓아 올림으로써 패턴을 인식하는 법을 배웁니다. 목표는 방사선 전문의가 더 빠르고 정확한 결정을 내릴 수 있도록 도와, 질병이 퍼지기 전에 포착함으로써 잠재적으로 생명을 구하는 컴퓨터 보조 도구를 만드는 것입니다.

코번트리 대학교와 트리부반 대학교의 한 연구자는 두 가지 서로 다른 유형의 인공지능 시스템이 폐암 진단 임무를 수행할 때 얼마나 잘 작동하는지 테스트하기 위해 연구를 시작했습니다. 그들은 의료 기술에서 자주 발생하는 질문, 즉 매우 정확하지만 많은 컴퓨팅 파워를 요구하는 시스템이 나은가, 아니면 약간 덜 정밀하더라도 더 빠르고 가벼운 시스템이 나은가 하는 문제에 집중했습니다. 답을 찾기 위해 연구자는 1,097장의 CT 스캔 영상 모음으로 두 가지 뚜렷한 모델을 학습시켰습니다. 이 영상들은 정상 폐, 양성(비암성) 증식, 그리고 악성(암성) 종양을 가진 폐의 세 그룹으로 분류되었습니다. 연구자는 이 영상들의 크기를 조정했으며, 이미지를 회전하거나 뒤집어 동일한 이미지의 미세한 변형을 만들어내는 데이터 증강(data augmentation) 기법을 사용하여 컴퓨터가 다양한 조건에서도 질병을 인식할 수 있도록 가르쳤습니다.

그들이 테스트한 첫 번째 모델은 VGG16이라 불리는 것이었습니다. 이는 매우 상세한 현미경처럼 이미지의 층을 파헤쳐 매우 구체적이고 복잡한 특징을 찾아내는 깊고 복잡한 구조입니다. 두 번째 모델인 MobileNetV2는 휴대폰이나 오래된 병원용 컴퓨터와 같이 컴퓨팅 능력이 제한된 기기에서 효율적으로 작동하도록 설계된 훨씬 가볍고 빠른 시스템입니다. 연구자가 이 모델들이 데이터를 통해 학습하도록 했을 때, 두 모델의 성능 차이는 극명했습니다. VGG16 모델은 놀라울 정도로 예리한 진단가임을 입증했습니다. 학습 후, 이 모델은 테스트 케이스의 97.22%에서 폐의 상태를 정확하게 식별했습니다. 특히 세 가지 범주를 구분하는 데 탁로웠으며, 양성 증식을 정상 폐로 혼동하거나 암성 종양을 놓치는 경우가 거의 없었습니다. 이 시스템은 빠르게 학습하여 단 몇 차례의 학습 과정 내에 정확도를 안정화했으며, 테스트 단계 내내 이러한 높은 신뢰도를 유지했습니다.

대조적으로, MobileNetV2 모델은 동일한 수준의 정밀도를 달리는 데 어려움을 겪었습니다. 이 모델은 이미지를 훨씬 빠르게 처리하고 훨씬 적은 자원을 사용했지만, 정확도는 68.33%에 머물렀습니다. 연구자는 이 가벼운 모델이 양성 증식을 정상적인 건강한 조직으로 자주 혼동한다는 것을 관찰했습니다. 이 모델은 깊은 VGG16 모델이 쉽게 포착할 수 있는 미세하고 정교한 세부 사항을 놓치는 것처럼 보였습니다. 데이터에 따르면 MobileNetV2는 효율적이긴 했지만, 단일 이미지 내에서 세 가지 서로 다른 의료 상태를 구별하는 데 필요한 정교한 특징 추출 능력이 부족했습니다. 이러한 혼동은 무작위적인 것이 아니었습니다. 이 모델은 양성 사례를 정상으로 잘못 분류하는 경우가 빈번했는데, 이는 잠재적인 문제를 놓치는 것이 위험할 수 있는 실제 임상 환경에서 위험할 수 있는 유형의 오류입니다.

연구는 모든 상황에 적용되는 단 하나의 "최고" 모델은 없으며, 오히려 정확도와 속도 사이의 명확한 절충 관계(trade-off)가 존재한다고 결론짓습니다. VGG16 구조는 정밀함이 최우선인 고위험 의료 결정의 경우, 추가적인 컴퓨팅 파워를 투자할 가치가 있다는 것을 보여주었습니다. 이는 매번 정답을 얻는 것이 목표인 병원 환경에 적합한 수준의 진단 신뢰성을 제공합니다. 반면, MobileNetV2는 낮은 정확도에도 불구하고, 속도와 저비용이 주요 관심사인 자원이 제한된 환경에서 여전히 가치를 지닙니다. 연구자는 이 가벼운 모델이 중요한 진단을 위해 더 정확한 모델을 대체할 준비는 되어 있지 않지만, 고급 의료 인프라가 없는 지역에서 신속한 스크리닝을 위한 유용한 도구로 쓰일 수 있다고 제안합니다. 궁극적으로, 이 연구는 인공지능이 폐암 탐지에 큰 가능성을 품고 있지만, 기술의 선택은 그것이 사용될 환경의 특정 요구 사항에 신중하게 맞춰져야 함을 강조합니다.