A practical roadmap to implementation of in-house developed computational pathology algorithms

현대적인 병리 검사실의 조용하고 유리 벽으로 둘러싸인 방 안에서, 질병을 진단하는 의사들과 함께 일하는 새로운 종류의 조력자가 등장하기 시작했습니다. 수십 년 동안 병리학자의 업무는 현미경 아래에서 조직의 얇은 단면을 관찰하며, 육안으로는 놓칠 수 있는 암의 미세하고 특징적인 징후들을 찾아내는 것이었습니다. 이 작업은 느리고 세심하며 엄청난 집중력을 요구합니다. 최근에는 컴퓨터도 이러한 관찰 작업을 수행하는 법을 배웠습니다. 인공지능의 한 형태를 사용하는 이 프로그램들은 조직 슬라이드의 디지털 이미지를 스캔하여 인간 전문가와 맞먹는 속도와 정밀도로 이상 징후를 포착할 수 있습니다. 그러나 기술이 연구실에서는 빠르게 발전해 온 반면, 병원의 일상적인 업무 루틴으로 넘어오는 경우는 드물었습니다. 테스트용 연구실에서 작동하는 컴퓨터 프로그램과 실제 클리닉에서 생명을 구하는 데 신뢰받을 수 있는 프로그램 사이에는 안전, 규제, 그리고 의사들이 실제로 일하는 방식의 복잡한 현실이라는 장애물로 가득 찬 넓은 간극이 존재합니다.

네덜란드의 라드바우드 대학교 의료 센터(Radboud University Medical Center) 연구진이 이제 그 간극을 메웠습니다. 그들은 단순히 영리한 알고리즘을 만든 것이 아니라, 그 알고리즘을 자신들의 병원에서 병리학자들과 함께 실제로 작동시킬 수 있는 완전한 시스템을 구축했습니다. 그들의 목표는 구체적이고 중대한 문제를 해결하는 것이었습니다. 바로 유방암이 암세포가 이동할 가능성이 가장 높은 첫 번째 노드인 감시 림프절로 전이되었는지 여부를 결정하는 것이었습니다. 과거에 의사들은 모든 슬라이드를 수동으로 확인해야 했으며, 만약 암을 발견하지 못하더라도 확실히 하기 위해 더 비싼 두 번째 검사를 주문해야 하는 경우가 많았습니다. 연구진은 자신들이 만든 내부 컴퓨터 도구가 불필요한 단계를 건너뛰고, 시간을 절약하며, 엄격한 안전 규칙을 준-수하면서도 더 많은 암을 잡아낼 수 있는지 확인하고 싶었습니다.

그 여정은 단순하지만 어려운 질문에서 시작되었습니다. 컴퓨터 프로그램이 이 작업을 안전하게 수행할 수 있다고 신뢰할 수 있는가? 팀은 도구가 실제 환자의 기록에 손을 대기 전에 엄격한 일련의 테스트를 거쳤습니다. 그들은 프로그램에 48개의 음성 섹션을 포함한 림프절의 디지털 이미지와, 그중 일부에 아주 작은 암세포 군집이 포함된 총 100개의 사례를 입력했습니다. 그들은 컴퓨터가 암세포를 놓치거나 건강한 부위를 위험한 것으로 잘못 표시하는 등의 실수를 하는지 확인하고자 했습니다. 결과는 안심할 만했습니다. 컴퓨터가 건강한 조직을 보았을 때, 100%의 확률로 이를 음성이라고 정확히 식별했습니다. 암이 있는 조직을 보았을 때는 대다수의 사례를 찾아냈으며, 아주 작은 세포 군집만을 놓쳤습니다. 결정적으로, 연구진은 슬라이드의 염색 방식이나 스캔 방식이 미세하게 변할 때 컴퓨터가 혼란을 겪는지도 테스트했는데, 이는 바쁜 실험실에서 발생하는 자연스러운 변화를 모사한 것입니다. 도구는 안정적이고 신뢰할 수 있는 상태를 유지하며, 작동 중인 실험실의 무질서한 현실을 처리할 수 있음을 입증했습니다.

기술적 성능이 확인되자, 연구진은 다음 단계인 실제 의사들이 이 도구를 사용할 때 어떻게 작동하는지를 확인하는 단계로 넘어갔습니다. 그들은 병리학자들이 컴퓨터의 도움을 받는 경우와 받지 않는 경우를 모두 포함하여 사례를 검토하는 시나리오를 설정했습니다. 결과는 명확한 이점을 보여주었습니다. 의사들이 컴퓨터의 도움을 받았을 때, 그들은 놓칠 수도 있었던 사례들을 잡아내며 암을 더 자주 발견할 수 있었습니다. 더 중요한 것은, 이 도구가 업무 흐름을 바꾸어 놓았다는 점입니다. 기존 시스템에서는 의사가 슬라이드를 보고 암을 발견하지 못하더라도, 결과를 확정하기 위해 두 번째 전문 염색 과정을 기다려야 했습니다. 새로운 시스템에서는 컴퓨터가 슬라이드가 음성이라고 확신하면, 의사가 첫 번째 슬라이드를 다시 볼 필요 없이 실험실 기사가 즉시 두 번째 염색을 요청할 수 있었습니다. 이 작은 변화 덕분에 음성 사례의 경우 의사는 초기 이미지를 검토하는 데 시간을 쓰지 않아도 되었습니다. 암이 발견된 사례의 경우, 결론에 도달하는 데 걸리는 시간은 평균 9초에서 단 4초로 크게 단축되었습니다.

하지만 연구진은 속도와 정확도만으로는 충분하지 않다는 것을 알고 있었습니다. 병원에서는 안전이 절대적인 우선순위입니다. 도구가 실전에 투입되기 전, 팀은 잠재적인 실패 지점을 찾기 위해 프로세스의 모든 단계를 지도화해야 했습니다. 그들은 병리학자, 실험실 기사, 안전 전문가들을 모아 컴퓨터 다운 현상부터 결과 판독 시의 인적 오류에 이르기까지 발생할 수 있는 모든 상황을 상상했습니다. 그들은 관리할 수 없는 주요 위험 요소가 없다는 것을 발견했습니다. 그들은 컴퓨터의 결과가 병리학자의 화면에 명확하게 표시되어, 대체재가 아닌 유용한 가이드 역할을 하도록 시스템을 설계했습니다. 만약 컴퓨터가 특정 지점을 양성으로 표시하면 의사는 즉시 이를 알게 됩니다. 만약 컴퓨터가 음성이라고 말하면 기사가 다음 단계를 진행하되, 최종 결정은 의사가 내리게 됩니다. 이러한 세심한 계획은 기술이 의사를 지원하되, 그들을 혼란스럽게 하거나 전문성을 우회하지 않도록 보장했습니다.

마지막 퍼즐 조각은 이 도구를 병원의 기존 디지털 환경에 맞추는 것이었습니다. 연구진은 인공지능을 병원의 메인 이미지 시스템에 연결하는 맞춤형 소프트웨어 브릿지를 구축했습니다. 이 브릿지는 보안이 철저한 배달원처럼 작동하여, 의사의 시야에 있는 디지털 슬라이드를 가져와 컴퓨터로 보내 분석하게 한 뒤, 그 결과를 즉시 다시 가져왔습니다. 이 모든 과정은 병원 자체의 보안 네트워크 내에서 이루어졌으므로, 환자 데이터가 건물 밖으로 유출되는 일은 전혀 없었습니다. 시스템은 병원이 성장함에 따라 더 많은 업무를 처리할 수 있도록 유연하게 설계되었으며, 직원들이 완전히 새로운 작업 방식을 배울 필요가 없을 정도로 단순했습니다.

시스템이 가동되자, 팀은 실제 환경에서 어떻게 작동하는지 관찰했습니다. 이 도구는 현재 그들의 병리과에서 사용되고 있으며, 암을 더 정확하게 식별하고 불필요한 검사 횟수를 줄이는 워크플로의 일부 역할을 하고 있습니다. 연구진은 이 도구의 성공적인 구현을 위해 단순히 똑똑한 알고리즘 이상의 것이 필요했다는 점을 발견했습니다. 그것은 병원이 어떻게 돌아가는지에 대한 깊은 이해, 안전에 대한 헌신, 그리고 직원들의 일상적인 루틴을 재설계하려는 의지가 필요했습니다. 그들은 도구를 만들 때 의사와 기사들을 고려하고 안전 및 규정의 엄격한 규칙을 따를 때, 인공지능이 연구 논서 속의 개념에서 질병과의 싸움에서 신뢰할 수 있는 파트너로 이동할 수 있다는 것을 증명했습니다. 이 작업은 다른 병원들이 따라갈 수 있는 명확한 경로를 제시하며, 의료 진단의 미래가 인간 전문가를 대체하는 것이 아니라, 그들이 최선의 일을 할 수 있도록 적절한 도구를 제공하는 것임을 보여줍니다. 이 도구는 현재 사용 중이지만, 팀은 지속적인 사후 시장 감시를 통해 장기적인 성능과 안전성을 계속 모니터링하며 그 혜택이 지속되도록 하고 있습니다.