Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

매년 수백만 명의 아이들이 목이 부어올라 병원을 찾습니다. 이러한 덩어리들은 대개 흔한 감기나 바이러스 감염과 싸우기 위해 부어오른 면역 체계의 일부인 림프절로, 무해한 것입니다. 그러나 매우 적지만 결정적인 몇몇 사례에서, 이와 동일한 부종은 백혈병이나 림프종과 같은 심각한 혈액암의 첫 신호가 될 수 있습니다. 단순한 바이러스에 대한 반응과 암의 징후를 구별하는 것은 소아 의학에서 가장 어려운 과제 중 하나입니다. 초음파는 방사선 대신 음파를 사용하는 안전한 영상 도구로, 의사들이 내부를 들여다보기 위해 취하는 첫 번째 단계입니다. 초음파는 결절의 모양과 그 안의 혈류를 보여줄 수 있지만, 시각적 단서들은 서로 겹치는 경우가 많습니다. 의심스러운 결절이 단순히 바이러스와 싸우고 있는 것일 수도 있고, 평온해 보이는 결절이 악성 종양을 숨기고 있을 수도 있습니다. 수십 년 동안 의사들은 자신의 경험과 체크리스트를 활용해 이를 판단해 왔지만, 양성과 위험 사이의 경계는 종종 모호합니다.

중국 수저우 대학교 아동 병원의 연구팀은 인간의 눈이 주춤할 때 컴퓨터가 그 차이를 포착하는 법을 배울 수 있는지 알아보기 위해 연구를 시작했습니다. 그들은 컴퓨터에게 혈액 검사나 환자의 병력을 요구하지 않았습니다. 대신 초음파 영상 자체와 부어오른 결절의 윤곽만을 제공했습니다. 목표는 컴퓨터가 일상적인 스캔 영상을 보고, 이 부종이 무해한 반응인지 아니면 혈액암에 대한 즉각적인 우려가 필요한 상황인지를 의사에게 알려주는 디지털 조수를 만드는 것이었습니다. 이 접근 방식은 초음파 영상의 가공되지 않은 픽셀 안에 인간의 눈은 놓칠 수 있지만 기계는 인식할 수 있는 미세한 패턴—질감, 그림자, 가장자리 세부 사항—이 포함되어 있다는 아이디어에 기반합니다.

이 컴퓨터를 교육하기 위해 연구진은 병원 기록 보관소에서 수집한 방대한 양의 초음파 영상을 모았습니다. 그들은 먼저 600장이 넘는 아이들의 부어오른 목 결절 영상을 확보했습니다. 각 영상은 세 명의 숙련된 초음파 전문의에 의해 정밀하게 표시되었는데, 이들은 서로 독립적으로, 그리고 최종 진단을 모르는 상태에서 결절의 윤곽을 그렸습니다. 의사들 사이에 모양에 대한 의견이 일치하지 않을 경우, 그들은 만나서 하나의 완벽한 윤곽에 합의했습니다. 이 과정은 컴퓨터가 조직의 가장 정확한 지도를 학습하도록 보장했습니다. 연구진은 동일한 아이의 결절을 찍은 여러 각도의 영상이 함께 묶이도록 데이터를 그룹화하여, 컴퓨터가 단순히 같은 사진을 두 번 암기하는 것을 방지했습니다. 그들은 데이터를 다섯 그룹으로 나누어 네 그룹으로는 컴퓨터를 학습시키고 나머지 한 그룹으로는 테스트를 진행했으며, 모든 이미지가 테스트될 때까지 이 과정을 순환하며 반복했습니다. 이러한 엄격한 방법은 결과가 데이터의 운 좋은 분할에 의한 우연이 아님을 보장했습니다.

그들이 구축한 컴퓨터 모델은 수백만 개의 일반 이미지를 통해 형태와 패턴을 인식하도록 사전 학습된 EfficientNet이라는 정교한 구조를 기반으로 합니다. 연구진은 이 모델을 조정하여 초음파 영상과 의사가 그린 윤곽을 입력값으로 받도록 만들었습니다. 그들은 수천 개의 사례를 모델에 입력하여, 백혈병이나 림프종에 의한 결절과 에프스타인-바 바이러스(EBV) 또는 일반적인 염증과 같은 바이러스성 감염에 의한 결절 사이의 시각적 차이를 학습하게 했습니다. 컴퓨터는 단순히 추측하는 것이 아니라, 시각적 증거의 비중을 조절하며 두 집단을 일관되게 분리할 수 있을 때까지 내부 설정을 조정하며 학습했습니다.

연구진이 이전에 본 적 없는 데이터로 최종 모델을 테스트했을 때, 모델은 높은 정확도로 성능을 발휘했습니다. 시스템은 곡선 아래 면적(AUC)이라 불리는 척도에서 약 86%의 사례에서 양성과 악성 결절을 올바르게 구별해 냈습니다. 모든 암을 잡아내야 하는 필요성과 오보를 피해야 하는 필요성 사이의 균형을 맞추기 위해 선택된 특정 설정에서, 모델은 약 78%의 확률로 정확한 결과를 냈습니다. 모델은 실제 암 사례의 약 77%를 정확히 식별해 냈는데, 이는 위험한 결절을 아주 적은 부분만 놓쳤음을 의미하며, 동시에 무해한 사례의 약 80%를 정확히 식별했음을 의미합니다. 이러한 성능 수준은 다른 의료 정보 없이 초음파 영상만으로도 기계가 신뢰할 수 있는 구분을 할 수 있는 충분한 시각적 정보를 담고 있음을 시사합니다.

연구는 또한 모델이 다양한 유형의 암을 어떻게 처리하는지도 살펴보았습니다. 모델은 림프종을 발견하는 데 약간 더 뛰어난 성능을 보였습니다. 이는 영상 측면에서 볼 때 타당한데, 림프종 결절은 대개 뚜렷하고 둥근 모양과 어두운 중심부를 가져 명확하게 눈에 띄는 반면, 백혈병의 영향을 받은 결절은 바이러스성 감염에서 보이는 것처럼 지저지고 불규칙한 부종처럼 보일 수 있어 구분이 더 어렵기 때문입니다. 이러한 어려움에도 불구하고, 모델은 모든 특정 비교에서 일관되게 83% 이상의 성능 점수를 기록하며 백혈병 사례를 양성 사례와 성공적으로 분리해 냈습니다.

연구진은 이 도구가 의사를 대체하는 것이 아님을 분명히 밝혔습니다. 이 도구는 스스로 암을 진단하지 않으며, 암이 의심될 때 생검이나 혈액 검사의 필요성을 대체하지도 않습니다. 대신, 이 도구는 영상 자체에 대한 객관적인 의견을 제공하는 '두 번째 눈' 역할을 합니다. 컴퓨터의 확신도는 정밀하게 조정되어, 높은 점수를 부여했을 때는 해당 결절이 실제로 악성일 가능성이 매우 높도록 설계되었습니다. 이는 방사선 전문의가 아이에게 긴급한 추가 검사가 필요한지, 아니면 부종을 안전하게 경과 관찰해도 되는지를 결정하는 데 도움을 줄 수 있습니다. 본 연구는 단일 병원에서 수행되었고 윤곽선이 전문가에 의해 수동으로 그려졌으므로, 다음 단계는 이 모델이 다른 병원의 영상에서도 잘 작동하는지, 그리고 자동으로 생성된 윤곽선과도 호환되는지를 확인하는 것입니다.

궁극적으로 이 연구는 초음파의 시각적 언어가 현대 인공지능에 의해 해독될 수 있는 비밀을 간직하고 있음을 보여줍니다. 영상과 결절의 모양에만 집중함으로써, 연구진은 컴퓨터가 아이의 몸이 바이러스와 싸우고 있는지 혹은 암과 싸우고 있는지를 구분하는 법을 배울 수 있음을 입증했습니다. 비록 이 모델이 아직 모든 클리닉에서 사용될 준비가 된 것은 아니지만, 결과는 미래 연구를 위한 강력한 토대를 제공합니다. 이는 가까운 미래에 컴퓨터가 소아과 의사 옆에 앉아 초음파 영상을 검토하며, 위험한 사례를 놓치지 않고 불필요한 절차를 겪는 아이가 없도록 돕는 데이터 기반의 관점을 제공할 수 있음을 시사합니다.