2024 글로벌 디지털 경제 컨퍼런스에서 방문객들은 의사의 영상진단 보조에 사용되는 AI 의료장비를 방문했다. 첸샤오겐
CT 스캔 한 번으로 의사는 다양한 암을 식별할 수 있고, 온라인 플랫폼에서는 개인화된 의료 자원의 연결을 몇 초 만에 완료할 수 있다… 최근 몇 년간 인공지능(AI) 기술은 종양 진단과 치료의 모든 측면에 포괄적인 혁명을 일으키고 있다. .
중국과학원 심천첨단기술연구소 생물의학 및 건강공학연구소 의료인공지능연구센터 전무이사 Li Zhicheng은 "AI는 종양 진단과 치료의 전체 과정을 실행할 수 있다"고 기자에게 말했다. Science and Technology Daily에서 "초기 영상 진단, 병변 식별, 환자 입원부터 병리학적 진단, 수술 계획 시각화, 퇴원 회복 추적까지 AI의 개입이 의사와 환자에게 가시적이고 실감나게 나타납니다."
종양의 조기 검진에 도움
베이징 미중 아이루이 암병원 원장 쉬종황(Xu Zhonghuang)은 많은 암 환자들이 이미 진단 당시 중후기 단계에 있어 최고의 치료 기회를 놓치고 있다고 말했습니다. 조기 검진은 의사가 무증상 또는 전암 단계의 상태를 감지하는 데 도움이 될 수 있으며, 조기 개입을 통해 이환율과 사망률을 효과적으로 줄일 수 있습니다. AI는 조기 종양 검진 분야에서 큰 잠재력을 갖고 있습니다.
조기 종양 선별검사는 일반적으로 영상 검사, 혈액 표지자 검출 및 분자 진단을 포함한 일련의 비침습적 또는 최소 침습적 검사 방법에 의존합니다. 이런 점에서 AI 개입은 획기적인 진전을 이루었습니다. Li Zhicheng은 이미지 기반 딥 러닝 기술의 지원으로 특정 종양 검사에서 AI의 성능이 인간 전문가의 성능을 능가할 수 있다고 믿습니다.
지난 2년 동안 네이처(Nature)와 같은 국제 저널은 AI 지원 종양 검사에 대한 여러 연구를 발표했습니다. 하버드 의과대학 팀이 개발한 CHIEF 모델은 19가지 유형의 암을 진단할 수 있을 뿐만 아니라 종양 미세환경을 찾아 치료 전략을 안내하고 생존율을 예측할 수 있습니다. 알리바바다모아카데미가 개발한 췌장암 조기발견 모델 PANDA는 병변 유무 판단 정확도가 92.9%에 달한다. 이러한 결과는 AI가 진단을 보조할 수 있을 뿐만 아니라 정밀한 치료에도 핵심적인 역할을 한다는 것을 보여준다.
관련 사례에서는 종양 검사에서 AI의 역할을 보여주었습니다. 올해 2월 알리바바의 '의료 AI 다종암 조기 검진 자선 프로젝트'가 리수이 중앙병원과 저장성 기타 기관에 배치되어 DAMO 아카데미의 혁신적인 의료 AI 기술을 건강 분야에 적용했다. "이 프로젝트는 4개월 동안 5만 명 이상을 검진했습니다. 검진 대상에는 췌장암, 식도암, 위암, 대장암이 포함되었습니다. 이 중 발견된 암 병변은 145건으로, 다모아카데미 의료AI팀 담당자입니다." , Lu Le는 AI가 대량의 과거 데이터와 복잡한 알고리즘을 결합함으로써 이미지에서 육안으로 감지하기 어려운 작은 병변에 대한 정보를 추출할 수 있다고 설명했습니다. 지루한 이미지 분석 작업에서도 AI는 대량의 데이터를 신속하게 처리하여 의사의 부담을 줄일 수 있습니다.
Xu Zhonghuang은 암은 최적의 치료 계획을 수립하기 위해 다학제적 협력에 의존해야 하며 AI는 이 과정에서 전문가 부족, 높은 경제적 비용 등의 문제를 해결하는 데 도움이 될 수 있다고 말했습니다.
Lu Le는 PANDA를 예로 들어 이 모델이 다양한 직업에 종사하는 수십 명의 의사의 지식 기반을 통합하는 것과 동일하며 영상 데이터, 게놈 정보, 병리학 등 다중 모드 데이터를 통합하여 부서 간 데이터 융합을 달성한다고 말했습니다. 데이터 등 이를 기반으로 모델은 주요 병변 정보와 잠재적인 병리학적 특성을 추출한 후 부서 전반에 걸쳐 종합적인 분석을 수행할 수 있습니다.
암 인식 개선
의료 분야에서 과학적 이해를 촉진하는 것은 AI가 종양 진단 및 치료를 지원하는 더 높은 차원입니다.
Li Zhicheng 팀은 수십 년 동안 신경교종 연구에 참여해 왔습니다. Li Zhicheng은 신경교종 진단 및 치료의 현재 상태에 대해 다음과 같이 말했습니다. "이 질병에 대한 우리의 과학적 이해는 여전히 제한적입니다. 의사들은 아직 신경교종의 발생, 발달 및 재발 메커니즘을 완전히 이해하지 못했으며 아직 효과적이고 효과적인 방법을 찾지 못했습니다. 정확한 치료방법."
Xu Zhonghuang도 같은 느낌입니다. "암에 대한 지식이 부족하면 진단과 치료 방법이 제한됩니다. 어렵고 복잡한 질병 앞에서 우리는 임상 실습에서 돌을 만져봐야만 강을 건널 수 있는 경우가 많습니다."
기존 AI 진단·치료 모델에도 한계가 있다. Li Zhicheng은 이미지 특징과 임상 결과 사이의 상관관계를 찾기 위해 많은 모델이 대규모 주석 데이터 세트를 통해 훈련되었다고 말했습니다. 이 방법은 정확도 측면에서 놀라운 결과를 얻었지만, 이 '블랙박스' 작업은 설명적 근거가 부족하여 의사가 AI의 진단 결과를 완전히 신뢰하기 어렵기 때문에 의학 지식의 근원으로 돌아가는 것이 특히 중요합니다.
이런 점에서 AI는 할 수 있는 여지가 많다. "AI는 영상, 병리학, 유전자 등 다중 모드 데이터를 통합하고, 다중 규모의 종합적인 분석을 제공하며, 종양에 대한 보다 완전한 '모형'을 구축하는 데 도움을 줄 수 있습니다. 종양은 복잡한 암세포로 구성된 생태계이고, 초상화가 더 정확할수록 과거에 무시되었던 종양 행동과 잠재적인 치료 목표를 더 많이 발견할 수 있어 프론트엔드 치료에 대한 새로운 아이디어를 제공할 수 있다고 Li Zhicheng은 말했습니다. AI는 유전체, 단백질체 등 분자 수준의 데이터를 활용해 기존 인지 병목 현상을 극복하고 복잡한 암에 대한 과학적 이해를 높이는 데 도움이 될 것으로 기대된다.
Xu Zhonghuang은 "낯선 종양에 직면하여 AI가 작은 단계라도 이에 대한 인간의 이해를 발전시킬 수 있다면 근본적으로 종양 진단 및 치료를 위한 새로운 방법론적 지침을 제공하고 암을 다루는 방식을 진정으로 바꿀 수 있습니다"라고 덧붙였습니다.
"자양분"으로서 데이터의 역할을 최대한 활용하세요.
AI가 종양 진단 및 치료의 전체 과정을 더욱 강화하려면 고품질의 포괄적이고 방대한 데이터 지원을 확보하는 것이 중요합니다.
AI 모델의 훈련은 의사의 주석에 의존할 뿐만 아니라 완전한 임상 주기 데이터도 필요합니다. Lu Le는 다음과 같은 예를 들었습니다. "PANDA 모델 훈련 과정에서 의사는 병리학 사진, 병리학 보고서, CT 이미지와 같은 다중 모드 데이터를 제공해야 할 뿐만 아니라 병변의 위치를 수동으로 확인하고 정확한 윤곽을 잡아야 합니다. 그런 다음 엔지니어는 3차원 영상 등록 기술을 통해 병변의 3차원 윤곽선을 일반 CT 영상에 매핑하고 궁극적으로 AI가 초기 췌장 종양의 모양을 식별할 수 있도록 학습합니다. 일반 CT 영상에서요.”
이 과정에서 오직 의사와 AI팀만이 긴밀히 협력하여 모델에 대한 고품질의 훈련 데이터를 제공합니다. Lu Le는 또한 최첨단 의료 AI 알고리즘 팀이 다양한 데이터를 제공하기 위해 광범위한 협력 병원에 의존하는 경우가 많으며 이는 모델의 일반화 능력을 향상시키는 데 중요하다고 설명했습니다. 다양한 병원의 데이터는 AI 모델에 풍부한 병리학적 배경을 제공하여 다양한 임상 시나리오에 보다 정확하게 대응할 수 있도록 돕습니다.
그러나 필요한 데이터의 양이 많고, 관련 부서가 많고, 데이터가 분산되어 있는 등의 문제로 인해 현재 암 AI 연구에서는 데이터 획득이 주요 병목 현상이 되고 있습니다. "단일 영상이나 병리학 데이터를 얻는 것은 어렵지 않지만, 동일한 환자에 대한 영상, 병리, 유전자 등 모든 양식의 데이터를 동시에 얻는 것은 매우 어렵다"고 Li Zhicheng은 말했습니다. 여러 부서 간의 긴밀한 협력이 필요하지만 시간도 많이 걸립니다. 현재 암 연구는 다양한 분야에 분산되어 있는 경우가 많습니다. 이미지 분석은 영상 및 엔지니어링 기술자가 처리하는 반면, 유전 데이터는 분자 병리학 또는 생물정보학 담당자가 처리합니다. 분야 간의 장벽을 허물고 데이터를 통합하는 것은 여전히 큰 과제로 남아 있습니다.
Xu Zhonghuang의 견해에 따르면, 데이터의 확장성, 표준화 및 보안은 병원이 의료 AI를 배치할 때 고려해야 할 핵심 요소입니다. 병원은 AI 레이아웃을 계획할 때 현재부터 시작하고, 데이터 입력, 보관 및 관리의 표준화를 보장하고, 합리적인 데이터 관리 프레임워크를 사전에 설계하고, 향후 데이터 처리를 위한 인터페이스를 예약해야 합니다. AI의 장점은 지속적으로 새로운 데이터를 흡수하고 스스로 최적화할 수 있다는 점이다. 이를 위해서는 병원의 데이터 스토리지 시스템이 다중 모드 데이터에 대한 증가하는 수요에 대처할 수 있도록 확장 가능해야 합니다.
데이터 보안 측면에서 Xu Zhonghuang은 병원이 법률, 규정 및 사회 윤리를 준수한다는 전제하에 기술 응용 프로그램이 임상 진단 및 치료에 대한 신뢰할 수 있는 지원을 제공할 수 있도록 엄격한 데이터 암호화 및 개인 정보 보호 메커니즘을 구축해야 한다고 믿습니다.