바이오메디컬 인공지능 강연 정리: 의료 영상 빅데이터와 딥러닝 진단, 그리고 신뢰의 문제

핵심 메시지

• 2020년 기준 전체 디지털 헬스케어 데이터는 25엑사바이트 규모이고, 그중 80%가 CT·MRI·PET 같은 의료 영상이다. 이 데이터는 해마다 20~40%씩 늘고 있다.
• 구글 딥마인드 헬스 계열 연구는 전처리를 마친 깔끔한 이미지가 아니라 임상의가 실제로 보는 유방암 조직 슬라이드를 그대로 학습시켜, 종양 영역과 비종양 영역을 뚜렷하게 갈라냈다.
• 이미지 분류 경연에서 딥러닝의 분류 오류율은 2.3%까지 내려갔고, 이는 사람의 오류율로 알려진 5%보다 낮은 수치다.
• 2015년 레벤슨 교수 연구에서 비둘기는 유방암 조직 슬라이드의 양성·악성을 80~90% 정확도로 구분했고, 여러 마리의 판정을 다수결로 모으자 AUC가 0.99까지 올라갔다.
• 성능이 아무리 좋아도 사람들은 비둘기의 암 판정을 받아들이지 못한다. 같은 질문이 인공지능 판정에도 그대로 적용된다는 것이 강연의 마지막 물음이다.

쉽게 이해하기

강연은 의료 인공지능이 다루는 데이터의 규모에서 출발한다. 종합병원에서 찍는 CT, MRI, PET 같은 영상 진단 자료는 전체 디지털 헬스케어 데이터의 80%를 차지한다. 2020년 기준 전체가 25엑사바이트라면 의료 영상만 20엑사바이트에 이르고, 이 양은 해마다 20~40%씩 불어난다. 미국의 한 병원에서 영상 자료를 보관하는 저장 공간은 10년 사이 열 배로 늘었다.

이 데이터를 어떻게 쓰는지 보여주는 사례로 유방암 조직 판독이 등장한다. 초기 딥러닝 연구는 전처리가 끝난 깨끗한 이미지로만 성능을 냈다는 비판을 받았는데, 이를 반박하기 위해 임상의가 실제로 들여다보는 림프절 포함 조직 슬라이드를 그대로 학습시킨 모델이 만들어졌다. 결과 이미지에서 종양 영역과 비종양 영역이 색으로 또렷이 갈라졌다.

강연자는 이 성과의 바탕이 된 합성곱 신경망을 간단히 설명한다. 필터를 하나 정해 픽셀 값과 곱해 나가는 컨볼루션과, 그렇게 뽑힌 특징 중 대표값을 최댓값이나 평균으로 추리는 풀링을 번갈아 반복하는 구조다. 필터는 몇 개든 만들 수 있고 어떤 필터를 쓰느냐에 따라 서로 다른 특징 지도가 만들어진다. 2012년 알렉스넷 이후 152개 층을 쌓은 레즈넷, 필터마다 중요도에 가중치를 주는 SENet으로 이어지며 분류 오류율은 2.3%까지 떨어졌다.

이야기는 갑자기 비둘기로 넘어간다. 2015년 레벤슨 교수 연구진은 비둘기에게 유방암 조직의 양성·악성 표본을 4배율, 10배율, 20배율로 보여주고 맞히면 먹이를 주는 방식으로 훈련시켰다. 고배율에서는 첫날부터 성적이 좋아 일주일 만에 90%에 도달했고, 저배율에서는 처음엔 찍는 것처럼 보이다 보름쯤 지나 90%에 닿았다. 이미지를 90도나 270도 돌려 보여줘도, 학습에 쓰지 않은 새 자료를 줘도 성능은 크게 떨어지지 않았다.

강연자는 여기서 기계학습의 두 가지 평가 기준을 겹쳐 놓는다. 정확도가 얼마인가, 그리고 처음 보는 데이터로도 되는가. 비둘기는 두 조건을 모두 통과했고, 여러 마리의 판정을 다수결로 묶자 AUC가 0.99에 이르렀다. 알고리즘 하나보다 여러 개를 모을 때 성능이 좋아지는 앙상블 러닝과 같은 구조다.

주요 인사이트

• 인공지능 병리학자와 비둘기 병리학자는 공통점이 많다. 둘 다 데이터가 필요하고 반복 학습이 필요하며, 여럿을 모아 다수결로 판단하면 더 잘한다.
• 차이도 분명하다. 비둘기는 시간이 오래 걸리고 피로가 생기며 학습에 한계가 있고 보상이 있어야 움직인다. 반면 인공지능은 훨씬 많은 데이터를 요구하는 대신 전원만 들어와 있으면 지치지 않고 보상도 필요 없다.
• 신경망의 학습에 한계가 없다고 말하는 근거는 보편 근사 정리다. 충분한 데이터와 충분히 복잡한 모델이 주어지면 어떤 함수든 학습할 수 있다는 원리다.
• 성능 수치와 수용성은 별개 문제다. 사람들은 정확도가 아무리 높아도 비둘기의 암 판정은 받아들이지 않지만, 인간 병리학자의 판정은 병원에서 자연스럽게 받아들인다.
• 그 사이 어디쯤에 인공지능 판정이 놓이는지는 아직 정해지지 않았다. 강연자는 이것이 교수가 답을 줄 문제가 아니라 각자 계속 생각해봐야 할 문제라고 말한다.

자주 묻는 질문

관련 AI 소식