미리보기
미리듣기
유방 초음파 영상에 딥러닝을 적용한 실제 연구를 통해 AI 판독의 가능성과 한계를 살핀다. U-Net과 병변 분할, 정확도·민감도·Dice·IoU, 데이터와 외부 검증의 의미를 풀어내며 높은 수치가 곧 안전한 진료를 뜻하지 않음을 보여 준다. 핵심은 AI가 인간을 대신하는 것이 아니라 서로의 오류를 줄이는 데 있다.
결국 불확실성을 줄이는 방법은 인간의 판단을 배제하는 데 있지 않다. 표준화된 검사와 판독 기준, 교육과 상호 검토, 적절한 업무 환경을 바탕으로 AI 보조 기술을 활용해야 한다. U-Net과 같은 영상 분할 모델은 이러한 보조 기술의 한 예다. U-Net은 영상의 특징을 분석해 병변의 위치와 범위를 픽셀 단위로 구분하고, 판독자가 주목해야 할 영역을 시각적으로 제시할 수 있다. 이처럼 AI는 의료진의 판단을 대신하는 기술이라기보다 영상에서 필요한 정보를 보다 일관되게 확인하도록 돕는 수단으로 이해할 필요가 있다.
－01_“영상 판독의 불확실성” 중에서
딥러닝 모델이 병변을 구별하려면 종괴 내부의 밝기만이 아니라 전체 모양, 피부면에 대한 방향, 경계의 국소적 굴곡과 주변 조직 반응을 함께 보아야 한다. 영상을 병변에 지나치게 가깝게 잘라내면 후방 음영과 증강, 피부와의 관계, 주변 구조 왜곡이 사라질 수 있다. 반대로 측정자, 화살표와 문자 표시가 남아 있으면 모델이 병변이 아닌 표시물을 학습할 위험이 있다. 데이터 구축 단계에서 관심 영역의 범위와 화면 표식 처리 기준을 일관되게 정해야 하는 이유다. AI에게 이러한 영상학적 특징은 사람이 만든 고정된 판정 규칙이 아니라 병변을 구별하기 위해 학습해야 할 시각적 단서다. 모델은 모양, 방향, 경계, 내부 에코와 후방 음향 특성을 각각 따로 판단하기보다 여러 소견이 함께 나타나는 패턴을 학습한다. 따라서 학습 데이터에는 전형적인 양성·악성 사례뿐 아니라 경계가 모호하거나 특징이 서로 겹치는 사례도 포함되어야 하며, 라벨을 부여하는 기준도 일관되어야 한다.
－03_“유방 병변의 영상학적 특징” 중에서
유방 초음파 AI의 학습은 영상과 정답을 반복해서 보여 주며 틀린 정도를 줄여 가는 과정이다. 모델은 예측과 정답의 차이를 손실(Loss)로 계산하고, 손실이 작아지는 방향으로 내부 가중치를 바꾼다. 그러나 답안지를 잘 외운 학생이 처음 보는 문제까지 잘 푸는 것은 아니듯, 학습 점수만으로 실제 실력을 판단할 수는 없다. 먼저 살펴볼 문제는 클래스 불균형(Class Imbalance)이다. 이는 모든 의료 데이터에 반드시 존재하는 성질이라기보다, 자료를 모은 방식에 따라 한 범주의 사례가 다른 범주보다 훨씬 많아지는 상황을 뜻한다. 검진 자료에는 정상 영상이 상대적으로 많고 희귀한 병변은 적을 수 있다. 분할에서는 넓은 배경에 비해 작은 종괴가 차지하는 픽셀이 매우 적어 픽셀 수준의 불균형도 생긴다.
－06_“딥러닝 학습 구조와 성능의 한계” 중에서
AI가 제시하는 결과는 과제에 따라 서로 다른 보조 정보로 활용될 수 있다. 병변 탐지나 분할 결과는 의료진이 다시 확인할 위치와 범위를 보여 주고, 분류 점수는 특정 범주에 해당할 가능성을 살펴보는 참고 정보가 될 수 있다. 그러나 이러한 결과를 화면에 제공했다는 사실만으로 실제 진료에 도움이 된다고 단정할 수는 없다. 의료진이 AI를 사용했을 때 놓친 병변이나 불필요한 추가 검사가 줄었는지, 최종 판단이 어떻게 달라졌는지는 별도의 임상 연구에서 확인해야 한다. 이처럼 AI의 결과를 보조 정보로 사용할 때에는 사람과 AI의 판단이 일치하더라도 이를 곧바로 정답으로 받아들여서는 안 된다. 둘이 같은 병변을 놓치거나 영상에 나타난 동일한 단서에 함께 영향을 받을 수 있기 때문이다. 판단이 서로 다를 때에도 어느 쪽이 맞는지를 즉시 정하기보다 영상의 품질과 병변의 포함 여부, 이전 검사와 임상 정보를 다시 살펴야 한다. 사람과 AI의 판단을 함께 활용하는 의미는 단순히 같은 결론을 확인하는 데 있지 않고, 서로의 판단 근거를 비교하며 놓친 정보가 없는지 점검하는 데 있다.
－09_“AI와 임상 의사 결정” 중에서
교보문고: