AI를 사용한 의료기기와 디지털 헬스 - MATLAB & Simulink

eBook

챕터 3

AI를 사용한 의료 영상의 진보

의료 영상은 아마도 가장 유망한 임상 AI 응용 분야일 것입니다. AI는 암 진단, 골절 감지 또는 신경 또는 흉곽 상태 식별 등의 진단을 의사가 신속하게 내릴 수 있도록 돕고 의사에게 필요한 치료 방안을 제시할 수 있습니다.

중앙에 빨간색, 가장자리에 노란색이 있는 컬러 데이터가 중첩되어 표시된 나란히 놓인 2개의 폐 영상. 둘 다 코로나19일 가능성이 있습니다.

CAM(클래스 활성화 매핑) 시각화 결과는 다양한 코로나19 사례에 대한 AI 기반 모델 평가를 보여주며, 알고리즘의 판단에 대한 근거를 의사에게 제공합니다.

과로 또는 열악한 영상 기법으로 인해 방사선 전문의가 매년 범하는 실수는 약 4천만 건에 이르는 것으로 추정되고 있습니다[4]. 방사선 전문의는 AI 알고리즘을 통해 미묘한 해부학적 구조를 인식하고 임상적 의미를 도출하여 더 수월하게 진단을 내릴 수 있습니다. 또한 AI를 사용하면 훨씬 짧은 시간 안에 대량의 영상을 처리하고 분석할 수 있습니다.

진단 의료 영상 분야의 AI 활용은 광범위한 평가를 거치고 있습니다. 2022년 7월 기준으로 FDA가 승인한 시판 기기 중 75%(391건)는 방사선 영상 분야의 기기였습니다[5].

과제

CT(컴퓨터 단층촬영) 영상 촬영의 방사선 노출량은 단일 X선 촬영의 350배에 달하며 암과 같은 다양한 위험과 연관되어 있습니다. 의학 연구자들은 초저선량 CT 스캔을 사용한 방사선 노출 제한을 바라고 있습니다. 그러나 이 접근법으로 촬영하면 잡음이 많고 영상 해상도가 낮아지기 때문에 의사가 해석하기 어렵습니다.

주어진 초저선량 CT 영상으로 훈련하고 있는 컨벌루션 신경망의 계층을 보여주는 다이어그램.

초저선량 CT로 훈련된 CNN. (이미지 출처: Ritsumeikan University)

솔루션

일본 교토에 있는 Ritsumeikan University의 연구원인 Ryohei Nakayama는 초저선량 CT 스캔을 사용해 고해상도 영상을 재구성하는 딥러닝 CNN(컨벌루션 신경망)을 MATLAB에서 만들었습니다.

  • 우선 Nakayama는 MATLAB을 사용해 CT 영상을 작은 국소 영역으로 분할하고 저선량 영역과 정상선량 영역의 쌍을 지어 영상 사전을 만들었습니다. 사전 규모가 커지면서 검색 시간이 수용하기 어려울 정도로 커졌기 때문에 Nakayama는 훈련 시간이 걸리지만 훨씬 빠르게 결과를 산출하는 CNN(컨벌루션 신경망)을 활용할 방안을 모색했습니다.
  • Nakayama는 MATLAB을 사용하여 다양한 입력 크기와 필터 및 다양한 개수의 컨벌루션 계층으로 약 128개의 CNN을 평가했습니다.
  • 훈련 과정을 가속화하기 위해 그는 Parallel Computing Toolbox™를 사용하여 여러 NVIDIA® GeForce 시리즈 GPU에서 병렬로 훈련을 진행했습니다.
  • 훈련 과정을 모니터링하기 위해 Nakayama는 Deep Learning Toolbox™의 모니터링 시각화 옵션을 사용하여 정확도와 손실을 플로팅했습니다.

결과

CNN 기반 시스템은 환자의 방사선 노출을 95%나 줄이면서 의사들에게 비슷한 수준의 진단 정보를 제공합니다.

기사 보기

과제

갑상선에 발생하는 작은 혹이나 종양은 보통은 양성종양이지만, 간혹 악성종양인 경우도 있습니다. 의사는 초음파 영상을 이용하여 갑상선 결절을 진단하지만, 진단의 정확도는 방사선 전문의의 경험에 따라 달라집니다. 동일한 결절을 평가하는 방사선 전문의들이 다른 진단을 내리는 경우도 있습니다.

솔루션

한국 서울에 있는 연세대와 세브란스 병원의 연구 팀은 MATLAB을 사용하여 악성 및 양성 갑상선 결절을 식별하기 위한 CNN(컨벌루션 신경망)을 설계하고 훈련시켰습니다. 연구원들은 MATLAB을 사용하여 다수의 병원에서 얻은 데이터셋으로 CNN을 검증하고 사용자 인터페이스와 함께 패키징하여 웹 응용 프로그램으로 배포했습니다.

초음파 영상의 분석에서 악성 결과를 보여주는 SERA 웹 앱 스크린샷.

MATLAB으로 개발한 SERA 웹 앱. (이미지 출처: School of Mathematics and Computing, Yonsei University)

  • 우선 연구 팀은 Statistics and Machine Learning Toolbox를 사용하여 특징 엔지니어링을 수행하고 SVM(서포트 벡터 머신), 랜덤 포레스트 분류 등 다수의 머신러닝 모델을 훈련시켰습니다.
  • 다음으로 연구 팀은 Deep Learning Toolbox를 사용하여 CNN을 살펴보았고 AlexNet, SqueezeNet, ResNet, Inception 등 17개의 MATLAB의 사전 훈련된 신경망을 사용했습니다.
  • 이 17개 신경망은 14,000개 이상의 영상 데이터셋으로 훈련시켰습니다. 특징 기반 조합을 위해 이 팀은 각 CNN의 최종 완전 연결 계층의 출력을 사용하여 SVM 또는 랜덤 포레스트 분류기를 훈련시켰습니다. 추론을 위해 각 CNN이 산출한 분류 확률의 가중 평균을 계산했습니다.
  • 훈련된 CNN은 SERA라는 이름의 웹 앱으로 제작되었고 MATLAB Web App Server™를 사용해 배포하여 연세대학교의 협력 병원에 제공되었습니다.

결과

진단 테스트에 따르면 이러한 CNN의 성능은 방사선 전문의와 비슷한 것으로 나타났습니다. 이 응용 프로그램은 교육의 일부로 의대생이 사용하고 있으며 진단에 대한 객관적인 보조 의견이 필요한 숙련된 방사선 전문의들도 사용하고 있습니다.

기사 보기

과제

코로나19 팬데믹 초기에는 특히 전 세계에 발병 사례가 급증했기 때문에 코로나바이러스 질환을 검출하기가 어려웠습니다.

솔루션

검출 및 진단 툴은 의사에게 귀중한 보조 의견을 제공하고 선별 과정에서 의사에게 도움을 줄 수 있습니다. UDRI(University of Dayton Research Institute)의 한 연구원은 MATLAB 및 Deep Learning Toolbox를 사용하여 가슴 방사선 사진을 통해 코로나19를 검출하는 자동 딥러닝 알고리즘을 개발했습니다. 또한 그는 알고리즘의 판단을 뒷받침하는 근거를 의사들에게 제공하기 위해 다양한 코로나19 사례에 대해 훈련된 다양한 신경망의 CAM(클래스 활성화 매핑) 결과를 시각화했습니다.

6개의 폐 X선 스캔, 3개는 코로나19, 3개는 정상을 나타냅니다.

정상 및 코로나19 X선 스캔의 분류 결과.

블로그 보기

참고문헌

[4] Bruno, Michael A., Eric A. Walker, and Hani H. Abujudeh. “Understanding and Confronting Our Mistakes: The Epidemiology of Error in Radiology and Strategies for Error Reduction.” Radiographics 35, no. 6 (2015): 1668–1676. https://doi.org/10.1148/rg.2015150023.

[5] Center for Devices and Radiological Health. “Artificial Intelligence and Machine Learning (AI/ML) Enabled Medical Devices.” U.S. Food and Drug Administration. FDA. 업데이트 날짜: 2022년 10월 5일. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices