방사선 전문의는 의료 스캔을 해석하는 데 시간이 많이 걸리는 작업을 지원하기 위해 AI 기반 컴퓨터 비전 모델에 점점 더 의존하고 있다. 그러나 이러한 AI 모델이 효과적으로 작동하려면 정확하게 라벨링된 방대한 양의 데이터가 필요하므로 방사선 전문의는 의료 이미지에 주석을 다는 데 여전히 상당한 시간을 투자해야 한다.

이 문제를 해결하기 위해 존스 홉킨스 블룸버그 석좌 교수 Alan Yuille이 이끄는 국제 팀은 현재까지 가장 큰 복부 CT 데이터 세트인 AbdomenAtlas를 개발했다. 전 세계 145개 병원에서 45,000건 이상의 3D CT 스캔과 142개의 주석이 달린 해부학적 구조를 갖춘 AbdomenAtlas는 가장 가까운 경쟁사인 TotalSegmentator V2보다 36배 이상 크다. 이 놀라운 데이터 세트와 그 결과는 Medical Image Analysis에 게재되었다.

역사적으로 복부 장기 데이터 세트는 방사선 전문의가 CT 스캔에서 각 개별 장기에 수동으로 레이블을 지정하는 노동 집약적인 프로세스를 통해 생성되었다. 이 과정에는 수천 시간의 전문 인력이 필요했다. 존스 홉킨스 대학의 보조 연구 과학자인 수석 저자 Zongwei Zhou는 "45,000개의 CT 스캔에 600만 개의 해부학적 모양으로 주석을 달려면 전문 방사선 전문의가 히포크라테스 시대인 기원전 420년경에 작업을 시작하여 2025년까지 작업을 완료해야 합니다"라고 설명한다.

이 기념비적인 작업을 극복하기 위해 연구팀은 AI 알고리즘을 활용하여 주석 프로세스를 획기적으로 가속화했다. 12명의 전문 방사선 전문의 및 의료 연수생과 협력하여 이 야심 찬 프로젝트를 2년 만에 완료했는데, 이는 인간만으로는 2,000년 이상이 걸렸을 일이다.

이 팀의 솔루션에는 공개적으로 사용 가능한 라벨이 부착된 복부 스캔에 대해 훈련된 세 가지 AI 모델의 조합이 포함되어 라벨이 지정되지 않은 스캔에 대한 주석을 예측하는 것이 포함되었다. 그런 다음 색상으로 구분된 주의 지도를 사용하여 추가 개선이 필요한 영역을 강조했다. 이 접근 방식은 방사선 전문의가 수동으로 검토할 수 있는 핵심 영역을 식별하는 데 도움이 되었다. 이 AI 예측 및 인간 검토 주기를 반복함으로써 연구원들은 종양 주석의 경우 10배, 장기 라벨링의 경우 500배 속도 향상을 달성했다.

그 결과 현존하는 가장 큰 전체 주석이 달린 복부 장기 데이터 세트인 AbdomenAtlas가 생성되었다. 이 데이터 세트는 새로운 스캔, 장기, 실제 및 인공 종양이 추가됨에 따라 계속 증가하고 있다. 이러한 기여는 AI 모델을 훈련시켜 암의 성장을 감지하고, 질병을 진단하고, 심지어 환자의 디지털 트윈을 생성하는 데 도움이 될 것이다.

존스 홉킨스 대학의 컴퓨터 과학 대학원생인 제1저자 웬쉬안 리(Wenxuan Li)는 "종양 식별과 같이 데이터가 제한된 영역에서 훈련하기 전에 AI 모델이 관련 해부학적 구조에 대해 더 많이 학습할 수 있도록 함으로써 AI가 일부 종양 탐지 작업에서 일반 방사선 전문의와 유사한 성능을 발휘할 수 있도록 했습니다"라고 말한다.

AbdomenAtlas는 AI 모델의 훈련장 역할을 할 뿐만 아니라 의료 세분화 알고리즘의 정확성을 평가하기 위한 벤치마크 역할도 한다. 테스트할 수 있는 데이터가 많을수록 이러한 알고리즘은 복잡한 임상 환경에서 더 신뢰할 수 있고 견고해진다.

앞으로 팀은 AbdomenAtlas를 대중에게 공개하여 의료 세분화 과제의 추가 발전을 장려할 계획이다. 지난해 10월 제27회 의료 영상 컴퓨팅 및 컴퓨터 보조 중재에 관한 국제 컨퍼런스(International Conference on Medical Image Computing and Computer Assisted Intervention)에서 연구팀은 임상 환경에서 정확할 뿐만 아니라 효율적이고 실용적인 AI 알고리즘을 장려하기 위한 바디맵(BodyMaps) 챌린지를 주최했다.

AbdomenAtlas의 획기적인 특성에도 불구하고 제작자는 이 데이터 세트가 미국에서 매년 획득하는 CT 스캔의 0.05%에 불과하다는 점에 주목한다. 이 분야를 진정으로 발전시키기 위해 팀은 데이터 공유, 주석 및 AI 모델 개발을 늘리기 위해 기관 간 협업을 강화할 것을 요구한다.

연구진은 "기관 간 협업은 데이터 공유, 주석 및 AI 개발을 가속화하는 데 매우 중요하다"고 결론지었다. "우리는 AbdomenAtlas가 더 큰 규모의 임상시험을 위한 길을 닦고 의료 영상 커뮤니티의 실무자들에게 탁월한 기회를 제공하기를 희망합니다." (Impact Lab)

원본 기사 :AI넷