새로운 AI 시스템, 임상 연구 가속화에 도움

90과 수업 이미지.png — AI 애플리케이션, 의료 영상 진단 지원. 사진: 미드저니

의료 영상에서 관심 영역에 주석을 달는 과정인 분할은 임상 연구자가 생물학적 영상과 관련된 새로운 연구를 수행할 때 취하는 첫 번째 단계인 경우가 많습니다.

예를 들어, 환자의 해마 크기가 나이가 들면서 어떻게 변하는지 확인하기 위해 과학자들은 일련의 뇌 스캔을 통해 각 해마를 매핑해야 합니다. 다양한 구조와 유형의 영상이 존재하기 때문에, 특히 관심 영역의 경계가 명확하지 않을 경우, 이는 시간이 많이 소요되는 수동 작업입니다.

이 과정을 단순화하기 위해 MIT 연구진은 과학자들이 이미지에 클릭, 낙서 또는 상자를 그려 새로운 생물의학 영상 데이터 세트를 빠르게 세분화할 수 있는 AI 기반 시스템을 개발했습니다. AI 모델은 이러한 상호작용을 활용하여 세분화를 예측합니다.

사용자가 더 많은 이미지에 태그를 지정할수록 필요한 상호작용 횟수는 감소하여 결국 0이 됩니다. 그러면 모델은 사용자의 추가 입력 없이도 새로운 이미지를 정확하게 분할할 수 있습니다.

이는 모델 아키텍처가 이전에 분할된 이미지의 정보를 활용하여 후속 이미지에 대한 예측을 수행하도록 특별히 설계되었기 때문에 가능합니다. 다른 의료 이미지 분할 모델과 달리, 이 시스템을 사용하면 각 이미지에 대해 작업을 반복할 필요 없이 전체 데이터 세트를 분할할 수 있습니다.

또한, 이 대화형 도구는 학습을 위해 미리 분할된 데이터셋이 필요하지 않으므로 사용자는 머신러닝 전문 지식이나 복잡한 계산 리소스를 필요로 하지 않습니다. 모델을 재학습하지 않고도 새로운 분할 작업에 시스템을 사용할 수 있습니다.

장기적으로 이 도구는 새로운 치료법 연구를 가속화하고 임상 시험 및 의학 연구 비용을 절감할 수 있습니다. 또한, 의사들이 방사선 치료 계획과 같은 임상 응용 프로그램의 효율성을 높이는 데에도 활용할 수 있습니다.

"수동 분할에 너무 많은 시간이 소요되어 많은 과학자들이 하루에 몇 장의 이미지만 분할하여 연구를 진행할 수 있습니다. 이 시스템을 통해 임상 연구자들이 효과적인 도구 부족으로 이전에는 할 수 없었던 연구를 수행할 수 있게 되어 새로운 과학적 기회가 열리기를 바랍니다."라고 이 모델을 소개하는 논문의 주저자인 전기공학 및 컴퓨터과학 박사과정생 할리 웡은 말했습니다.

세그먼트 최적화

현재 연구자들이 새로운 의료 이미지 세트를 세분화하는 데 사용하는 주요 방법은 두 가지입니다.

상호작용적 세분화: 사용자가 AI 시스템에 이미지를 입력하고 관심 영역을 표시합니다. 모델은 이러한 상호작용을 기반으로 세그먼트를 예측합니다. MIT 연구팀이 이전에 개발한 도구인 ScribblePrompt를 사용하면 이 작업을 수행할 수 있지만, 새 이미지마다 반복해야 합니다.

작업 기반 자동 세분화 : 세분화를 자동화하는 특수 AI 모델을 구축합니다. 이 방법은 수백 개의 이미지를 수동으로 세분화하여 학습 데이터 세트를 생성한 다음 머신 러닝 모델을 학습시키는 과정을 거칩니다. 새로운 작업이 발생할 때마다 사용자는 이 복잡한 과정을 처음부터 다시 시작해야 하며, 모델에 오류가 있는 경우 직접 수정할 방법이 없습니다.

새로운 시스템인 MultiverSeg는 두 가지 장점을 모두 결합했습니다. 낙서와 같은 상호작용을 기반으로 새 이미지의 세그먼트를 예측할 뿐만 아니라, 각 세그먼트화된 이미지를 나중에 참조할 수 있도록 컨텍스트 세트에 저장합니다.

사용자가 새로운 사진을 업로드하고 마크업하면, 모델은 컨텍스트 세트를 활용하여 더 적은 작업으로 더 정확한 예측을 수행합니다. 아키텍처 설계 덕분에 모든 규모의 컨텍스트 세트를 지원하여 다양한 애플리케이션에 유연하게 적용할 수 있습니다.

"어느 시점부터는 많은 작업에서 추가적인 상호작용을 제공할 필요가 없게 됩니다. 컨텍스트 세트에 충분한 예시가 있으면 모델이 스스로 세그먼트를 정확하게 예측할 수 있습니다."라고 Wong은 설명합니다.

이 모델은 다양한 데이터 세트를 기반으로 학습되어 사용자 피드백을 기반으로 예측이 점진적으로 개선됩니다. 사용자는 새로운 데이터에 대해 모델을 다시 학습할 필요가 없습니다. 새로운 의료 이미지를 로드하고 레이블 지정을 시작하기만 하면 됩니다.

다른 최첨단 도구와의 비교 테스트에서 MultiverSeg는 효율성과 정확성 면에서 더 우수한 성과를 보였습니다.

적은 노력으로 더 나은 결과를 얻으세요

기존 도구와 달리 MultiverSeg는 이미지당 입력량이 적습니다. 9번째 이미지에서는 단 두 번의 클릭만으로 작업별 모델보다 더 정확한 분할을 생성합니다.

X선과 같은 일부 유형의 이미지의 경우, 사용자는 모델이 나머지 이미지를 예측할 만큼 정확해지기 전까지 1~2개의 이미지만 수동으로 분할하면 될 수도 있습니다.

상호작용 기능을 통해 사용자는 원하는 정확도에 도달할 때까지 예측을 수정하고 반복할 수 있습니다. 이전 시스템과 비교했을 때, MultiverSeg는 스트로크의 2/3, 클릭의 3/4만으로 90%의 정확도를 달성했습니다.

"MultiverSeg를 사용하면 사용자는 언제든지 상호작용을 추가하여 AI 예측을 개선할 수 있습니다. 편집 속도가 처음부터 시작하는 것보다 훨씬 빠르기 때문에 작업 속도가 크게 향상됩니다."라고 Wong은 덧붙였습니다.

앞으로 연구팀은 임상 실무에서 해당 도구를 테스트하고, 피드백을 바탕으로 개선하며, 분할 기능을 3D 생체의학 영상으로 확장하고자 합니다.

이 연구는 Quanta Computer, Inc., 미국 국립보건원(NIH) 및 매사추세츠 생명과학 센터의 하드웨어의 일부 지원을 받았습니다.