컴퓨터 비전으로 암 진단 및 치료 발전

컴퓨터 비전은 알고리즘이 이미지와 비디오의 시각적 데이터를 이해하고 해석할 수 있도록 하는 인공지능의 한 분야입니다. 암 연구에서는 병리 슬라이드, 현미경 샘플, 의료 스캔에서 복잡한 시각 정보를 분석하는 데 점점 더 많이 사용되고 있습니다. 이러한 도구는 긴 워크플로우를 간소화하여 자원이 부족한 팀이 목표를 달성하고 궁극적으로 환자 치료를 개선할 수 있도록 지원합니다.

종양 유발 요인에 대한 이해 증진

생검 기반 암 진단 후 병리학자들은 종종 종양 성장을 촉진하는 게놈 변형을 밝히기 위해 RNA 시퀀싱을 수행합니다. 이러한 지식은 연구와 개인 맞춤형 치료법 수립에 매우 중요합니다. 그러나 현재 방법의 높은 비용과 느린 속도로 인해 보다 효율적인 대안을 찾아야 합니다.

이 문제를 해결하기 위해 한 연구팀은 표준 생검 현미경 이미지에서 직접 종양 세포 내의 유전자 활동을 예측하는 AI 도구를 개발했습니다. 연구팀은 16가지 암 유형에 걸친 7,500개 이상의 샘플로 구성된 방대한 데이터 세트를 바탕으로 모델을 학습시켰으며, 비교를 위해 건강한 세포의 이미지도 추가했습니다.

연구팀은 이 도구를 명확하고 실용적으로 사용할 수 있도록 설계했습니다. 이 도구는 생검의 시각적 지도를 생성하여 예측된 유전자 활동 패턴을 강조 표시합니다. 이를 통해 연구자들은 종양 내의 공간적 변화를 정확히 찾아낼 수 있습니다. 일반적인 세포 염색 기법을 사용하여 AI는 염색된 이미지에서 15,000개 이상의 유전자 발현 패턴을 성공적으로 식별했습니다.

그 결과 AI의 유전자 활동 예측과 실제 측정치 간에 80% 이상의 상관관계가 있는 것으로 나타났습니다. 이 모델의 정확도는 일반적으로 특정 암 유형과 관련된 대규모 데이터 세트를 학습시킬 때 향상되었습니다.

추가 실험을 통해 유방암 환자의 게놈 위험 점수를 평가할 수 있는 알고리즘의 잠재력이 입증되었습니다. 고위험군으로 분류된 환자들은 더 자주 그리고 더 빨리 재발을 경험했습니다.

AI는 최대 99%의 정확도로 코로나19를 감지하는 시스템과 같이 놀라운 의료 혁신을 계속 가능하게 하고 있습니다. 이러한 도구는 강력하지만 전문가의 전문성을 대체하는 것이 아니라 보완해야 합니다. AI에만 의존하면 환자 치료 결과가 악화될 수 있습니다.

최적의 치료법 찾아내기

암 환자는 종종 자신의 특정 상태에 가장 효과적이지 않을 수 있는 치료로 인해 상당한 스트레스와 부작용을 견뎌냅니다. 메스꺼움과 같은 부작용은 견딜 수 있지만, 초기 결과가 좋지 않으면 치료를 계속 받으려는 환자의 의지가 약해집니다.

최적의 개인 맞춤형 치료법을 더 빨리 찾아내는 것이 모두에게 이익이 됩니다. 표준 치료 계획에는 각 픽셀이 회색조로 표시된 단일 데이터 포인트를 포함하는 CT 및 MRI 스캔을 분석하는 것이 포함됩니다. AI는 더 자세한 정보를 제공합니다. 하나의 고급 도구는 픽셀당 최대 30,000개의 특징을 분석하고 400제곱 마이크로미터(약 머리카락 5개 너비)의 작은 조직 샘플을 평가할 수 있습니다.

이 도구는 기증된 샘플을 사용하여 그 가치를 입증했습니다. 방광암에서는 면역 치료에 대한 더 나은 반응과 관련이 있는 3차 림프 구조를 형성하는 특수 세포 그룹을 식별했습니다. 위암 샘플에서는 암세포와 건강한 조직 점막을 정확하게 구분하여 임상의가 암의 전이를 더 잘 평가할 수 있도록 도와주었습니다.

연구진은 이 기술이 종양학자들이 다양한 암에 대해 가장 효과적인 치료법을 찾을 수 있도록 안내할 수 있다고 믿습니다. 또한 표준 진단 이미지에서 더 풍부한 데이터를 추출하여 연구를 가속화할 수 있는 잠재력도 있습니다.

신약 개발 가속화

새로운 항암제를 시장에 출시하는 것은 성공적인 임상시험에 크게 의존하는 수년에 걸친 과정입니다. 최근 런던의 한 연구팀은 약물이 세포 표적에 얼마나 효과적으로 도달하는지 평가하는 AI 방법을 개발했습니다. 가장 유망한 후보에 집중하면 결과를 개선하고 규제 승인을 더 빨리 받을 수 있습니다.

연구팀은 기하학적 딥러닝을 사용해 약 10만 개의 흑색종 세포 이미지의 3D 모양을 분석했습니다. 이 방법은 슬라이드에 있는 세포를 2D로 분석하는 기존의 방법과 달리, 보다 생생한 상태의 세포를 연구합니다. 치료가 세포 모양을 어떻게 변화시키는지 포착하고 세포 집단 간의 변동성을 밝혀냅니다.

이 도구는 특정 약물의 효과를 99% 이상의 정확도로 감지할 수 있습니다. 심지어 다른 단백질을 표적으로 하는 약물로 인한 형태 변화도 식별할 수 있었습니다.

AI는 생화학적 변화를 밝혀냄으로써 새로운 항암제에 대한 유망한 표적을 강조할 수 있습니다. 이러한 혁신은 전임상 시험 단계를 3년에서 3개월로 단축하고 임상 시험 기간을 최대 6년까지 단축할 수 있습니다. 치료 효과가 가장 큰 환자를 식별하고 부작용을 더 빨리 파악하는 데 도움이 될 것입니다.

암 분석 워크플로우 간소화

AI는 암 연구의 여러 측면을 개선했지만, 대부분의 도구는 단일 작업에 초점을 맞추고 있습니다. 이로 인해 의료 전문가들은 여러 시스템을 학습해야 합니다. 사용성을 개선하기 위해 일부 팀에서는 포괄적인 다목적 솔루션을 개발하고 있습니다.

한 그룹은 19가지 암 유형에 대한 평가 작업을 처리할 수 있을 만큼 다재다능한 ChatGPT와 유사한 모델을 구축했습니다. 이 모델은 발견, 예후 평가, 치료 반응 모니터링을 위한 프로세스를 가속화합니다. 개발자들은 이 모델이 다양한 국제 환자 그룹에서 결과를 성공적으로 예측하고 검증한 최초의 모델이라고 주장합니다.

AI는 종양 샘플의 디지털 슬라이드를 분석하고, 분자 프로필을 검사하고, 암세포를 식별합니다. 또한 종양 주변 조직을 평가하여 치료 효과를 나타낼 수 있습니다. 테스트 결과 기존 도구보다 더 정확한 것으로 나타났습니다. 특히, 특정 종양의 특징을 환자 생존율 향상과 연결시킨 최초의 사례로, 새로운 연구 분야를 개척할 수 있는 가능성을 보여주었습니다.

이 모델은 처음에 관심 영역별로 분류된 1,500만 개의 라벨이 없는 이미지로 학습되었습니다. 그런 다음 19개 암 유형의 6만 개의 전체 슬라이드 이미지를 사용하여 개선하여 포괄적인 이미지 분석을 수행할 수 있도록 학습시켰습니다.

이 도구는 24개의 환자 코호트 및 병원을 대표하는 32개의 독립적인 글로벌 데이터 세트에서 19,400개의 전체 슬라이드 이미지를 대상으로 엄격한 테스트를 거쳤습니다. 이를 통해 실제 임상 환경에서의 견고함을 보장합니다.

생물의학 이미징을 통한 인사이트 극대화

생물의학 현미경 검사는 암 연구에 필수적이지만, 이러한 이미지를 분석하는 데는 며칠이 걸릴 수 있습니다. 한 연구팀은 이 과정을 간소화하기 위해 새로운 컴퓨터 비전 기술을 개발했습니다. 이 기술은 머신러닝을 사용해 샘플을 분석하고 암 종양에서 공통된 특징을 발견합니다.

이 도구는 종양의 여러 영역을 동시에 검사하고 이를 일관된 분석으로 합성하여 효율성을 달성합니다. 다른 방법은 큰 종양 이미지를 작은 패치로 분할하여 개별적으로 분석합니다. 이러한 이미지에는 최대 10억 개의 픽셀이 포함될 수 있기 때문에 표준 접근 방식은 시간이 매우 많이 소요됩니다.

개발자들은 임상의가 종양 이미지에서 거의 즉각적인 진단을 내릴 수 있는 미래를 상상합니다. 그런 다음 이 정보를 수술 중 외과의에게 실시간으로 전달하여 최신 데이터를 기반으로 의사 결정을 내릴 수 있습니다.

이 새로운 도구는 기존 기준 기술과 비교했을 때 약 4% 더 나은 성능을 보였으며 일부 테스트에서는 88%에 가까운 정확도를 달성했습니다. 연구진은 모든 종양 유형과 현미경 검사 방법에 사용할 수 있어 폭넓은 적용 가능성을 강조했습니다.

컴퓨터 비전으로 암 연구 발전 추진

AI 기반 컴퓨터 비전은 암 연구의 영향력을 높여 과학적 발견과 환자 치료 결과를 모두 향상시킬 수 있는 상당한 잠재력을 가지고 있습니다. 위의 예는 다양한 응용 사례를 보여줍니다. 전문가들은 이러한 기술을 인간의 판단을 완벽하게 대체하는 것이 아니라, 어렵게 얻은 전문성을 보완하고 확장하기 위해 통합해야 합니다.