Medical Image Analysis

의료 영상 분석은 컴퓨터 비전(CV)과 인공지능(AI)을 사용해 의료 영상에서 임상적으로 유용한 정보를 추출하는 기술입니다. 폐 결절이나 골절과 같은 소견을 탐지하고, 장기와 종양의 윤곽을 표시하며, 시간에 따른 변화를 측정하고, 질환을 분류합니다. X선, CT, MRI, 초음파, PET, 망막 사진, 내시경 동영상, 디지털 병리 슬라이드에 적용할 수 있습니다. 의료 영상 분석은 영상을 생성하는 스캐너와 재구성 방법을 다루는 의료 영상 촬영 다음에 이루어지는 해석 단계입니다. 임상 분석 도구는 의료기기로 규제되며, FDA의 공개 AI 기반 의료기기 목록에는 1,000건이 훨씬 넘는 승인 사례가 등재되어 있고, 대부분은 영상의학 분야입니다.

의료 영상 분석의 작동 방식#

의료 영상은 DICOM 형식으로 제공됩니다. 이 형식에는 픽셀 데이터와 함께 환자 식별 정보, 스캐너 설정, 슬라이스 간격 등의 메타데이터가 저장됩니다. 전처리 방식은 영상 유형에 따라 다릅니다. CT 픽셀 값은 보정된 Hounsfield 단위이므로, 폐 또는 뼈 "윈도우"는 관련 강도 범위를 모델 입력에 매핑합니다. 반면 MRI 강도에는 고정된 척도가 없어 스캔별로 정규화합니다. CT와 MRI는 수백 개 슬라이스로 구성된 3D 볼륨을 생성하며, 모델은 이를 슬라이스별 또는 볼륨 단위로 처리합니다. 디지털 병리 슬라이드는 픽셀 수가 수십억 개에 달하므로 타일로 나누고, 슬라이드 수준의 레이블만 있는 경우 다중 인스턴스 학습을 사용해 처리합니다.

핵심 작업은 해부학에 적용하는 표준 컴퓨터 비전 작업입니다.

• 이미지 분류: 망막 사진에서 의뢰가 필요한 당뇨망막병증이 보이는지와 같이 이미지 전체에 레이블을 지정합니다.
• 객체 탐지: 결절, 골절, 대장 용종과 같은 소견 주위에 박스를 그려 임상의가 확인할 위치를 안내합니다.
• 이미지 분할: 부피 측정과 방사선 치료 계획 수립을 위해 모든 픽셀 또는 복셀에 레이블을 지정해 장기와 종양의 윤곽을 표시합니다.
• 이미지 정합: 시간대가 다르거나 모달리티가 다른 동일 환자의 스캔을 정렬해 변화를 측정할 수 있도록 합니다.

U-Net 아키텍처는 2015년 생의학 분할을 위해 설계되었고, nnU-Net은 새 데이터셋에 맞춰 U-Net 파이프라인을 자동으로 구성합니다. MONAI와 같은 오픈 소스 프레임워크는 의료 분야에 특화된 데이터 로더와 변환을 포함해 이러한 작업을 지원합니다.

라벨이 지정된 스캔으로 탐지기를 미세 조정하는 과정은 다른 도메인과 동일한 워크플로를 따릅니다. Ultralytics 뇌종양 데이터셋은 MRI 슬라이스와 종양 박스를 연결하며, 이 데이터셋으로 Ultralytics YOLO26을 학습하면 새 슬라이스에서 종양 영역을 표시하는 모델을 얻을 수 있습니다.

from ultralytics import YOLO

# 레이블이 지정된 뇌 MRI 슬라이스로 COCO 사전 학습 YOLO26 탐지기를 파인튜닝합니다
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# 새 MRI 슬라이스에서 종양 영역을 탐지합니다
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# 예측 박스와 신뢰도 점수를 포함해 슬라이스를 저장합니다
result.save(filename="brain_tumor_result.jpg")

의료 분야의 활용 사례#

널리 적용되는 방식 중 하나는 트리아지입니다. CT에서 뇌출혈 또는 대혈관 뇌졸중 의심 소견을 표시하는 소프트웨어는 해당 검사를 영상의학과 의사의 작업 목록 맨 위로 올립니다. 영상의학과 의사의 최종 판독은 모델을 확인하는 역할도 합니다.

그 밖의 확립된 활용 분야로는 선별검사, 치료 계획 수립, 시술이 있습니다.

• 선별검사: 스웨덴의 무작위 배정 MASAI 임상시험에서 AI 지원 유방촬영 선별검사는 위양성을 늘리지 않으면서 표준 이중 판독보다 암을 29% 더 많이 발견했고, 영상의학과 의사의 선별 판독 업무량을 44% 줄였습니다. 2018년에는 IDx-DR이 임상의의 영상 판독 없이 당뇨망막병증 선별 판정을 내리는 최초의 FDA 승인 기기가 되었습니다.
• 종양학: 분할 모델은 방사선 치료 계획 수립을 위해 종양과 위험 장기의 윤곽을 표시하고, 추적 스캔에서 종양 크기를 측정합니다.
• 병리학: 모델은 암을 찾기 위해 전체 슬라이드 이미지를 스캔합니다. 2021년 Paige Prostate는 전립선 생검 슬라이드에서 암을 찾는 용도로 FDA 승인을 받은 최초의 AI 소프트웨어가 되었습니다.
• 내시경: 실시간 탐지기는 대장내시경 중 용종을 표시합니다. GI Genius는 2021년 FDA 승인을 받은 최초의 해당 유형 AI 기기가 되었습니다.

문제점과 고려 사항#

• 전문가 레이블: 주석 작업에는 영상의학과 의사나 병리학자가 필요하고 어려운 사례에서는 전문가 간 의견이 다르므로, 레이블이 지정된 데이터셋은 규모가 작고 비용이 많이 듭니다.
• 도메인 시프트와 지름길 학습: 병원마다 스캐너, 프로토콜, 환자 집단이 다릅니다. 2018년 연구에 따르면 흉부 X선으로 학습한 폐렴 분류기는 이미지가 어느 병원에서 촬영되었는지 식별할 수 있었으며, 학습 데이터에 포함되지 않은 병원의 X선에서는 성능이 저하되었습니다.
• AI 편향: 대표성이 부족한 환자 집단으로 학습한 모델은 학습 데이터에서 충분히 대표되지 않은 집단에서 성능이 떨어집니다.
• 설명 가능성: 히트맵 등의 설명은 임상의가 모델 출력을 신뢰하기 전에 모델이 어떤 정보에 의존했는지 확인하는 데 도움이 됩니다.
• 개인정보 보호와 연합 학습: 환자 데이터에는 미국의 HIPAA와 유럽의 GDPR이 적용됩니다. DICOM 헤더와 이미지에 삽입된 텍스트는 비식별화해야 하며, 연합 학습은 환자 데이터를 한곳에 모으지 않고 여러 병원에서 모델을 학습합니다.
• 규제 및 업데이트: 승인된 모델을 크게 변경하려면 일반적으로 새로운 규제 제출이 필요합니다. 2024년 12월 FDA의 최종 사전 지정 변경 관리 계획 지침에 따라 제조업체는 최초 제출 시 예정된 모델 업데이트와 검증 방법을 명시할 수 있습니다.