암, 여전히 우리에게 무서운 병으로 인식되어 있습니다.
초기에 암을 발견하고 이후 전이 방향을 정확히 진단하기 위해서는 조직과 종양의 경계 구별, 검사 이후에 진행된 종양의 변화 양상, 다른 구획으로 전이된 새로운 종양 발견 등 보다 정교한 분석 결과가 필요한데요, 기술의 도움없이 사람의 눈만으로 결과를 분석하는데는 한계가 있답니다.
암 진단의 정확도를 향상시키기 위해 독일에 소재한 의료 영상 컴퓨팅 전문 프라운호퍼 연구소(Fraunhofer Institute for Medical Image Computing)의 연구진은 GPU와 딥 러닝을 활용하고 있습니다. 인공지능(AI) 기반 영상 분석을 통해 의료진은 불필요한 치료를 동반하는 잘못된 양성 진단을 보다 잘 방지할 수 있고, 새로운 종양을 발견할 가능성을 높일 수 있게 되었지요.
프라운호퍼 메비스(Fraunhofer MEVIS)의 마커스 하르츠(Markus Harz) 연구과학자는 “우리는 조기 검진이 가장 중요하다고 생각합니다. 의료 영상 내 이상징후가 감지되면, 정확한 진단을 내리기 위한 정밀검사가 다음 과제가 되지요”라고 말했습니다.
불과 몇 년 전까지만 해도, 하르츠와 동료 연구진은 오늘날에도 여전히 널리 사용되고 있는 “피처 엔지니어링(feature engineering)”이라는 고전적인 방법론에 의존했는데요. 연구진은 선형 회귀(linear regression) 및 랜덤 포레스트(random forest)와 같은 알고리즘을 사용해서 영상 데이터를 분류하는 데 도움이 되는 특성을 탐지하도록 컴퓨터를 직접 프로그래밍해야 했습니다.
그런데 연구팀은 딥 러닝을 활용한 첫 번째 실험을 통해 딥 러닝이 조직과 이상징후의 위치를 감지하고 윤곽을 파악하는 것과 같은 굉장히 어려운 문제를 해결할 수 있다는 것을 밝혀냈습니다.
하르츠 과학자는 연구진의 노력이 빛을 발한 순간을 기억하는데요. 그는 방사선 전문의와 함께 앉아있었습니다. 방사선 전문의는 유방암에 걸릴 위험도가 높은 환자의 케이스를 검토 중이었지요. 그녀는 두 개의 MRI를 나란히 놓고 비교하면서 각각의 MRI에 찍힌 수십 개 종양 덩어리들 사이의 미세한 변화를 확인하려 했습니다. 결국 방사선 전문의는 크기가 커진 한 덩어리를 발견했고, 그 덩어리는 악성으로 판명되었습니다.
방사선 전문의는 그것이 운이 좋았다는 것을 인정합니다. 대부분의 케이스에서는 이러한 행운이 따라주지 않습니다. 그녀는 하르츠 과학자와 그의 연구원 동료들과 팀을 이루어MRI를 공간적으로 정렬하는 알고리즘을 만들기 시작했습니다.
하르츠 과학자는 “이 알고리즘을 사용해서 MRI 영상을 추출하고, 그 차이를 바로 확인할 수 있습니다”라고 설명했습니다.
연구팀은 영상 분석을 위한 알고리즘 모델을 개선해나가는 과정에서 딥 러닝이 진단 결과를 향상시키는 방법을 알게 되었습니다. 그러나 임상 현장을 개선하기 위해서는 규제 기관으로부터 승인을 받아야 하는 또 다른 과제가 남아있습니다. 허가를 받기 위해 하르츠 과학자는 동료 연구진들과 함께 딥 러닝 알고리즘을 검증할 수 있는 인프라를 구축하고 있다고 밝혔습니다.
“임상의들과 의료 기기 제조업체들은 의학적 인지 컴퓨팅의 우수성을 확인하고 싶어합니다”라고 하르츠는 말했습니다.
연구 효율을 향상시킨 GPU
GPU는 연구진의 작업에서 중요한 역할을 하는데요. 연구진은 Theano와 TensorFlow 뿐만 아니라 CUDA와 cuDNN과 같은 라이브러리를 지원하는 여러 장치들에서 구동되는 엔비디아 GPU를 통해 딥 러닝 모델을 트레이닝합니다. 하르츠 과학자는 로컬 GPU가 CPU보다 최소 20배 이상 향상된 성능을 전달한다고 추정합니다.
프라운호퍼 메비스(MEVIS)의 비주얼라이제이션 전문가들은 GPU를 사용해서 작업의 능률을 올리고 있는데요. 이들은 실시간으로 의료 영상을 실사에 가까운 이미지로 전환할 수 있는 포토리얼리스틱 렌더링(photorealistic rendering) 기능이 있는 셰이더 프로그램(shader program)을 활용하고 있습니다. 그리고 프라운호퍼 메비스의 의료 영상 등록 기관은 OpenCL(OOP Computing Language) 병렬 프로그래밍 표준과 함께 일반적인 성능의 GPU를 사용해서 알고리즘 속도를 높일 수 있었지요.
이러한 기술은 종양이 장기간에 걸쳐 어떻게 변화하는지 인간의 눈으로 판단할 때보다 정확하게 특징화하는 것을 보장하며, 이를 통해 의료진은 보다 확신을 갖고 진단할 수 있습니다.
하르츠 과학자는 “진단의는 2차원 상에서 종양의 직경을 수동으로 측정하지만 컴퓨터는 종양의 성장 또는 수축을 훨씬 더 잘 보여주는 입체적인 재현을 만들어낼 수 있습니다.”라고 말했습니다.
이는 진단의들이 가장 무료하게 느끼는 임상 업무를 자동화하도록 도울 뿐만 아니라, 본래 크기 이상으로 확대된 이상 징후를 특징화할 수 있습니다.
다음 단계에 남아있는 과제들
하르츠 과학자와 연구진은 연구팀의 검증 프레임워크를 개선하고, 딥 러닝 네트워크를 병원 인프라에 연결해서 일반적인 임상 데이터 관리 시스템과 원활하게 통합하는 데에 심혈을 기울이고 있습니다. 임상의에게 영상을 제공하는 시스템의 현재 기능을 방해하지 않고 말이지요.
연구팀은 체계화되지 않은 데이터의 관리 및 대규모 데이터 크롤링(data crawling) 구축, 기술의 상용화 작업을 전적으로 추진할 것을 계획하고 있습니다. 하르츠 과학자는 인간이 분석하기에는 데이터가 지나치게 복잡할 때마다 일련의 암 진단에서 기술이 중대한 역할을 수행할 수 있기를 희망합니다.