국내 연구팀이 소수 유형 대장 용종도 감지할 수 있는 새로운 진단 보조 시스템을 개발했다. 이 시스템은 분류 결과, 신뢰 수준이 높은 정밀한 데이터를 제시, 전문의의 신속하고 정확한 임상 의사결정을 지원할 것으로 전망된다.

서울대병원 영상의학과 이동헌·서울대 데이터사이언스대학원 김형신 교수 공동연구팀은 국내 4개 의료기관 및 공개 데이터셋에 등록된 약 3400건의 대장내시경 데이터를 바탕으로 학습 및 검증을 실시, 대장내시경 컴퓨터 진단보조시스템 ‘ColonOOD’를 개발했다고 17일 밝혔다.

최근 국가암등록통계에 따르면 대장암은 국내 암 발생률 2위, 사망률 3위를 차지하는 주요 암종이다. 다만, 대장내시경으로 용종을 신속하고 정확히 진단할 경우 대장암 사망률을 최대 53% 낮출 수 있다고 알려졌다. 

대장 용종은 ‘선종성 용종(고위험)’과 ‘과형성 용종(저위험)’으로 구분되며, 현재 대장내시경 검사에는 이런 유형을 신속하고 정확하게 진단하기 위해 컴퓨터보조시스템(CAD)이 도입되고 있다.

그러나 기존 시스템은 대부분 용종을 2가지 주요 유형으로만 구분할 수 있어 발생 빈도가 드물거나 새로운 용종을 검출하는 데는 한계가 있었다.

이로 인해 학습한 적이 없던 소수 유형 용종 감지 기능(OOD, Out-of-Distribution)을 탑재해 의료진이 신뢰할 수 있는 결과를 제공하는 새로운 진단보조 도구가 필요했다.

이에 연구팀은 대장내시경 영상을 바탕으로 용종 위치와 유형을 자동으로 분류하는 진단보조시스템 ‘ColonOOD’을 개발했다. 

전체 용종을 최대 79.7% 정확도로 분류

이 시스템은 주요 용종 분포를 학습, 소수 유형 용종의 분포를 검출하는 기능을 갖췄다. 또한 용종 분류 시 기존 모델에서 제공되지 않았던 분류 결과의 신뢰 수준(High, Low)을 함께 제시해 내시경 전문의가 정확한 결정을 내릴 수 있도록 지원한다.

이를 이용하면 1차적으로 고위험 용종을 분류해낼 수 있다. 그 외 유형일 경우 추가 분석 모델이 작동해 저위험 용종과 잠재적 위험이 있는 ‘소수 유형 용종’을 구분한다. 

이 같은 분류 성능을 서울대병원 강남센터, 서울아산병원, 세브란스병원, 이대서울병원 등 4개 의료기관의 데이터와 2개 공개 데이터셋을 기반으로 검증한 결과, 전체 용종을 최대 79.7% 정확도로 분류했으며 전체 소수 유형 용종 중 최대 75.5%를 정확히 검출하는 것으로 나타났다.

즉, ColonOOD는 용종 위치를 자동으로 감지해 확실한 고위험 용종을 선별하고, 분류가 불확실한 용종은 다시 한번 정밀하게 분석해 소수 유형 해당 여부를 확인함으로써 진단 신뢰성을 높였다.

이동헌 교수는 “이번 연구는 기존 AI 기반 대장내시경 진단 보조 시스템에 소수 유형 용종 감지 모듈을 통합한 최초 연구로 ColonOOD의 예측 결과를 활용하면 임상의가 신뢰 수준에 따라 진단 정확도를 크게 향상시킬 수 있을 것으로 기대한다”고 말했다.

이어 “실제 임상 환경을 반영한 ColonOOD은 의료현장 활용도가 높을 것으로 기대되며, 향후 전향적 연구 및 다기관 연구로 확장해서 활용 가능성을 검증할 것”이라고 밝혔다.

한편, 이번 연구결과는 인공지능 분야 국제학술지 ‘Expert Systems with Applications’ 최신호에 게재됐다.