(1) 담관암 및 간세포암을 검출ㆍ감별하는 초음파 AI

 

간암 스크리닝에서 초음파검사(USG)의 유효성은 검사 시행자의 전문지식이나 손기술 숙달도에 따라 제약이 생길 수 있다. 태국 Chulalongkorn University의 연구팀은 USG 이미지에서 간의 국소 병변(FLLs)을 검출하고 분류하는 AI 지원 시스템을 개발하고 평가했다.

 

Nature 전문지인 Scientific Reports에 발표된 이 연구에 따르면, YOLOv5 모델을 이용해 7가지 FLLs(간세포암, 담관암, 국한지방침윤, 국한지방비축적, 낭종, 혈관종, 재생결절)를 검출ㆍ감별하는 AI 모델이 개발되었다. 이 후향 연구에서는 5,444명의 환자로부터 얻은 26,288장의 초음파 검사 이미지를 이용해 훈련했다.

 

<그림1> 간암 진단 인공지능 시스템(LiAIDS)의 개요

자료 : https://www.nature.com/articles/s41467-024-45325-9

 

이 AI 모델은 전체 FLLs 검출률 84.8%를 달성했으며 1cm 이하와 1cm 이상 병변에 대해서도 일관된 성능을 보였다. 악성 FLLs와 양성 FLLs의 감별에 있어서는 감도와 특이도가 모두 97.0%라는 높은 정확도를 보였다.

 

구체적인 FLLs 유형별로는 담관암 검출률이 92.2%로 가장 높았고, 그 다음으로 국한지방 비축적이 89.7%, 간세포암이 82.3%였다. 이 AI 모델은 기존 CNN 모델과 비교해 성능이 향상되었고, 특히 작은 병변 검출 능력이 개선되었다.

 

기존 USG 스크리닝에서는 담관암과 간세포암의 오분류가 생길 수 있으며, 특히 담관암은 화학요법에 저항성이 있는 악성종양으로 알려져 있어 조기 발견이 매우 중요하다. 연구진인 롱루디 샤이테라키 의사는 ‘이 연구 결과의 응용이 담관암의 치명적인 진행을 막고 위험한 사람의 생존 결과를 개선할 것’이라고 밝혔다.

 

(2) 불임치료 중 난소자극을 최적화하는 ‘Alife Health’

 

체외수정(IVF) 치료에서 난포자극호르몬(FSH)의 시작용량과 배란유발주사의 타이밍을 최적화하는 인공지능 플랫폼이 유망한 결과를 보였다고 미국의 2개 생식보조의료센터 의사들이 밝혔다. 이 성과는 네이처의 전문지인 Scientific Reports에서 2024년 8월 20일부터 공개되고 있다.

 

<그림2> 기계학습 모델을 사용한 난모세포 수율 최적화

자료 : https://www.nature.com/articles/s41598-024-69165-1/figures/1

 

IVF 치료 시에는 FSH를 이용해 호르몬 분비를 촉진하고 난포를 키우는 난포유발주사를 실시하는데 FSH 개시용량이나 배란유발주사의 타이밍은 IVF 치료의 성공을 좌우한다. 이 연구는 AI를 사용하여 IVF 치료를 받은 291명의 환자(치료군)와 AI를 사용하지 않고 동일한 의사에 의한 치료를 받은 환자(대조군)를 비교하였다.

 

치료군에서 의사는 AI를 사용해 난포자극호르몬(FSH) 시작 용량과 트리거 주입 타이밍을 선택할 수 있다. 주요 평가 항목은 사용된 FSH의 총량과 성숙 난자(MII 난자)의 평균 수 등 두 가지이다. 결과로서 통계적으로 유의한 차이는 아니었지만 AI를 사용한 치료군에서는 대조군과 비교해 환자의 치료 성적이 개선되고 FSH 사용량이 감소하는 경향을 보였다.

 

구체적으로 MII 난자의 평균수는 치료군에서 12.20개, 대조군에서 11.24개(개선=0.96개, p=0.16), 채취된 난자의 평균수는 치료군에서 16.01개, 대조군에서 14.54개(개선=1.47개, p=0.08)로 모두 치료군에서 많은 경향을 보였다. 또한 FSH의 평균 총 사용량은 치료군에서 3,671.95IU, 대조군에서 3,846.29IU(차이=-174.35IU, p=0.13)로 치료군에서 FSH 사용 총량이 감소 추세임을 보였다.

 

연구자들은 이 결과는 AI를 이용한 난소자극 최적화가 안전하고 효과적으로 수행될 수 있는 가능성을 보여주는 최초의 전향적 연구의 성과로, AI 도구가 FSH 개시 용량과 배란 유발 타이밍에 관한 의사결정을 표준화하고 환자의 치료 프로세스를 효율화할 수 있다고 설명하였다.

 

(3) 어린이의 근시 발병을 예측하는 AI – DeepMyopia

 

어린이의 근시 발병을 고정밀로 예측해 적절한 치료 개입을 촉진하는 심층학습 시스템 ‘DeepMyopia’가 개발되었다. 근시(Myopia)는 안구가 길어서 망막 위에 맺혀야 하는 초점이 망막 앞에 맺힘으로써 먼 곳이 잘 안 보이고 가까운 곳이 잘 보이는 질환을 의미한다. 근시는 오목렌즈 안경을 착용하여 망막에 초점을 잘 맺히도록 하여 교정해야 한다. 중국 상하이의 연구팀에 의한 이 성과는 Nature의 전문지인 NPJ digital medicine에서 2024년 8월 7일부터 공개되고 있다.

 

근시는 전 세계적으로 공중보건 상의 과제가 되고 있어, 조기 발견과 예방이 중요하다. DeepMyopia는 망막 안저영상과 비산동하의 안과 데이터(나이, 성별, 안축장 등)를 이용해 근시 발병 위험을 예측하고 고위험군을 파악함으로써 효과적인 개입을 가능하게 하는 심층학습 시스템이다.

 

상하이의 대규모 코호트 연구 데이터(n=1,638,315)를 이용해 훈련되어 외부 데이터 세트(n=22,060)에서 검증되었다. 그 결과, 1년, 2년, 3년 후 근시 발병 예측의 ROC 곡선하면적(AUC)이 각각 0.908, 0.813, 0.810으로 나타나 다른 비교 모델에 대해 뛰어난 예측 성능을 발휘했다.

 

게다가 DeepMyopia는 아이들을 근시 발병 저위험군, 고위험군으로 효과적으로 분류해 개입의 가이드 역할을 할 수 있다. 연구에서는 모의 무작위화 비교시험(eRCT)을 실시해 개입을 실시했는데, DeepMyopia를 사용한 개입군에서는 비산동하 메타데이터 모델과 비교해 근시 발병의 상대적 위험 감소가 -17.8%로 근시 발병의 감소에 기여할 수 있음을 보였다. 또, DeepMyopia를 이용한 개입은 100만명당 13.54년의 실명 회피로 이어지는 것으로 추정되었다.

 

연구진들은 이 시스템이 공중보건 분야에서 대규모 스크리닝과 개입의 지침으로 유용하다고 말한다. 또 향후 전망으로 더 광범위한 지역이나 다른 인종에서의 적용성을 검증하고 장기적인 효과를 평가하는 동시에 스마트폰을 이용한 망막 화상 기술을 이용함으로써 더 많은 아이들이 혜택을 받을 것으로 기대된다고 말했다.

 

<그림3> DeepMyopia의 개요와 분석 예시

자료 : https://www.nature.com/articles/s41746-024-01204-7/figures/6

 

(4) 유방암 병리 영상에서 HER2 발현 유무를 예측하는 AI

 

유방암 환자의 H&E 염색된 조직병리 영상에서 HER2의 발현(음성, 저발현, 고발현)을 예측하는 약지도 학습(Weakly supervised learning) 딥러닝 모델이 높은 정확도를 보이는 것으로 밝혀졌다. 브라질 연구팀의 이 성과는 2024년 8월 19일부터 Breast Cancer Research에서 공개되고 있다.

 

HER2는 암세포 증식에 관여하는 단백질이지만 'HER2 저발현'은 최근 주목받고 있는 유방암의 하위 유형으로, 이 유형에 대해 새로운 항체 약물 복합체에 의한 치료 효과가 나타나고 있다. 기존 HER2 평가에는 다수의 면역조직화학검사(IHC)와 경우에 따라서는 추가 in situ hybridization(ISH) 검사가 필요했지만, 이 연구의 AI는 보다 신속하고 비용 대비 효과가 높은 HER2의 평가 방법이 될 수 있다.

 

이 연구에서는 1,351명의 유방암 환자로부터 얻은 1,437장의 H&E 염색 전 슬라이드 이미지를 사용하여 6개의 서로 다른 심층학습 모델을 구축하여 HER2 음성, HER2 저발현, HER2 고발현의 3개 클래스를 구별하는 능력을 검증하였다.

 

모델은 어텐션 기구 기반의 약지도 학습법을 이용해 트레이닝되었다. 결과적으로 HER2 음성과 HER2 고발현을 구별하는 모델이 가장 높은 성능을 보였다. 한편, HER2 저발현의 분류는 비교적 곤란한 것으로 밝혀지고 있다.

 

연구자들은 이 기술이 임상에서의 의사결정을 지원할 가능성이 있다고 지적한다. 예를 들어 IHC 검사에서 2+로 판정된 '판정 보류' 사례에서 추가 ISH 검사가 필요한 경우 이 딥러닝 모델을 이용해 HER2 저발현인지 HER2 고발현인지 판별할 수 있다. 또한, IHC 검사 전 스크리닝으로서 HER2 음성과 HER2 고발현을 구별하는데도 유용할 수 있다.

 

연구진들은 앞으로 이 기술이 병리의사의 HER2 평가를 지원하고 바이오마커 평가 의사결정을 지원할 것으로 기대된다고 밝혔다.

 

<그림4> 유방암 예측 워크플로우

자료 : https://breast-cancer-research.biomedcentral.com/articles/10.1186/s13058-024-01863-0