이 새로운 AI 모델이 암 진단의 벤치마크를 어떻게 설정했나요?

최근 연구에서 연구진은 Prov-GigaPath라는 AI 기반 병리학 모델을 개발하고 평가했습니다. 연구진에 따르면 이는 실제 사례의 대규모 데이터 세트를 기반으로 훈련된 암 세포 진단을 위한 최초의 전체 슬라이드 병리학 파운데이션 모델입니다.

컴퓨터 병리학은 암 진단을 혁신하여 전문가들이 질병의 아형, 단계 및 진행 가능성을 식별하는 데 도움을 줍니다. 많은 연구에서 머신러닝과 딥러닝이 다양한 유형의 암 조기 발견에 더 우수한 결과를 보여주고 있습니다.

또한 읽기: 암 면역요법을 강화하기 위한 AI 기반 모델 개발

프로비던스 헬스 시스템과 워싱턴 대학교가 최신 연구 연구를 수행했으며, 새로운 전망을 담은 블로그 게시물을 저널 네이처 (Nature) 에 발표되었습니다. 또한 마이크로소프트의 내부 팀 다수가 연구 지원을 위해 협력했습니다.

Prov-GigaPath 의 암 진단 

Prov-GigaPath 는 암 평가와 진단에 널리 적용되는 전체 슬라이드 이미징 기법을 기반으로 구축되었습니다.

전체 슬라이드 이미징 기술에서는 종양 이미지의 현미경 슬라이드를 고해상도 디지털 이미지로 변환합니다. 이러한 전체 슬라이드 이미지에는 종양 미세환경을 이해하는 데 도움이 되는 중요한 정보가 포함되어 있습니다. 

“Prov-Path는 이미지 타일 수 기준으로 TCGA보다 5배 이상 크고, 환자 수 기준으로 TCGA보다 2배 이상 큽니다.” Nature.

Prov-GigaPath는 Providence Health Network의 28개 암 센터에서 수집된 대규모 데이터셋인 Prov-path를 기반으로 훈련되었습니다. 이 데이터셋에는 171,189장의 실제 현미경 슬라이드에서 추출된 13억 장 이상의 이미지 타일이 포함되어 있습니다. 이러한 슬라이드는 30,000명 이상의 환자에서 진행된 생검 및 절제술 과정에서 제작되었으며, 31개의 주요 조직 유형을 포괄합니다.

Prov-Path 데이터셋에는 암 병기, 관련 병리 보고서, 유전체 돌연변이 프로파일, 조직병리학적 소견 등의 정보도 포함되어 있습니다. 이러한 다양한 데이터 요소들은 모델에 대한 보다 심층적인 이해를 제공합니다.

GigaPath: 기가픽셀 슬라이드 식별 능력 강화

GigaPath는 Prov-GigaPath가 기가픽셀 병리 슬라이드를 평가하는 데 사용하는 새로운 비전 트랜스포머입니다. 이미지 타일을 시각적 토큰으로 활용하면 전체 슬라이드가 일련의 토큰 시퀀스로 변환됩니다. 복잡한 패턴을 시퀀스 모델링에 맞게 단순화하기 위해 비전 트랜스포머는 신경망 아키텍처로 설계되었습니다.

핵심은 수백만 개의 타일이 포함된 각 현미경 슬라이드의 방대한 양 때문에 기존 비전 트랜스포머를 디지털 병리학에 직접 적용할 수 없다는 점입니다. Providence 데이터의 경우 슬라이드 수가 최대 70,121개에 달할 수 있습니다. 연구진은

“이 문제를 해결하기 위해 최근 개발한 LongNet 방법을 적응시켜 확장된 자기 주의 메커니즘을 활용했습니다.”

암 진행과 관련된 기능 변화 유전자 돌연변이가 많으며, 이는 암 진단 및 예후를 위한 스크리닝에 활용될 수 있습니다. 연구진은 시퀀싱 비용이 크게 감소했음에도 불구하고 여전히 의료 격차가 존재한다고 지적했습니다. 이러한 격차의 주요 요인은 전 세계적으로 종양 시퀀싱에 대한 접근성이 낮기 때문입니다. 

연구진은 병리 이미지를 통해 종양 돌연변이를 예측하면 치료 방법 선택과 맞춤형 약물 처방에 도움이 될 수 있다고 강조했습니다. 

병리학 모델 비교 연구

디지털 병리학은 표준 기가픽셀 슬라이드가 일반적인 자연 이미지보다 수천 배 더 크기 때문에 계산적 과제를 안고 있습니다. 기존 비전 트랜스포머는 이러한 거대 이미지를 처리하는 데 한계가 있으며, 데이터 양이 증가함에 따라 계산 요구 사항도 함께 증가하기 때문에 이를 다루기 어렵습니다.

또한 읽기: AI 도구가 암 퇴치를 위한 면역 반응 예측

또 다른 점은 이전의 디지털 병리학 연구에서 각 현미경 슬라이드의 서로 다른 이미지 타일 간 상호의존성을 활용하지 못했다는 것입니다. 이러한 상호의존성 연결을 무시함으로써 많은 응용 분야(예: 종양 미세환경 모델링)에 중요한 슬라이드 수준의 문맥이 제거되었습니다.

연구진은 Prov-GigaPath를 HIPT, Ctranspath, REMEDIS와 같은 기타 공개 병리학 파운데이션 모델과 비교했습니다. 연구 결과 Prov-GigaPath는 26개 작업 중 25개에서 더 나은 성능을 보였으며, 이는 다음과 같이 언급되었습니다.

“Prov-GigaPath는 두 번째로 우수한 모델인 REMEDIS 대비 AUROC(분류 모델의 성능 지표) 에서 23.5%, 불균형 데이터셋 처리에 유용한 지표인 AUPRC 에서 66.4% 개선을 달성했습니다.”

암은 생명을 위협하는 질병이며 매년 수백만 명의 목숨을 앗아갑니다. 디지털 병리학 제공업체 페이지(Paige)의 공동 설립자이자 수석 과학자인 토머스 푸크스는 CNBC와의 인터뷰에서 “병리 전문의가 암이라고 말하기 전까지는 암이 있는 것이 아닙니다. 이것이 전체 의료 체계에서 가장 중요한 단계입니다.” 라고 말했습니다.

우리가 알다시피, 기존 병리학 기법은 현미경으로 조직 샘플을 주로 관찰함으로써 질병 진단에 기여해 왔습니다. 그러나 기술과 인공지능이 활용되면서 관행이 변화하고 있으며, 암을 식별하고 분류하는 과정이 가속화되고 있습니다. 대부분의 AI 병리학 모델은 디지털 방식으로 현미경 슬라이드를 검사하는 동일한 기술을 활용합니다. 

Aamir Sheikh가 Cryptopolitan에서 보도