7P by neo 2달전 | favorite | 댓글과 토론
  • 하버드 의과대학 과학자들이 여러 암 유형에 걸쳐 다양한 진단 작업을 수행할 수 있는 다재다능한 ChatGPT 같은 AI 모델을 설계함
  • 이 새로운 AI 시스템은 암 진단에 대한 현재의 많은 AI 접근 방식보다 한 단계 더 나아감
  • 현재 AI 시스템은 일반적으로 암 존재 감지 또는 종양의 유전자 프로파일 예측과 같은 특정 작업을 수행하도록 훈련되며, 소수의 암 유형에서만 작동하는 경향이 있음
  • 반면에 새로운 모델은 광범위한 작업을 수행할 수 있으며 19개의 암 유형에서 테스트되었고, ChatGPT와 같은 대형 언어 모델과 유사한 유연성을 가짐
  • 최근 병리 영상을 기반으로 의료 진단을 위한 다른 기반 AI 모델이 등장했지만, 이는 환자 결과를 예측하고 여러 국제 환자 그룹에서 검증한 최초의 모델로 여겨짐
  • 종양 조직 슬라이드 판독으로 작동하는 AI 모델
    • 암세포를 감지하고 영상에서 보이는 세포 특징을 기반으로 종양의 분자 프로파일을 대부분의 현재 AI 시스템보다 우수한 정확도로 예측함
    • 여러 암 유형에 걸쳐 환자 생존을 예측하고, 수술, 화학요법, 방사선 치료, 면역요법 등 표준 치료에 대한 환자 반응과 관련된 종양 주변 조직(종양 미세환경)의 특징을 정확하게 찾아냄
    • 환자 생존과 관련이 있다고 알려지지 않았던 특정 종양 특성을 식별하는 등 새로운 통찰력을 생성할 수 있는 것으로 보임
  • 연구팀은 이 결과가 표준 암 치료에 잘 반응하지 않을 수 있는 환자 식별을 포함하여 암을 효율적이고 정확하게 평가하는 임상의의 능력을 향상시킬 수 있다는 증거가 늘어나고 있다고 말함
  • Kun-Hsing Yu는 "검증이 더 이루어지고 널리 배포된다면, 우리의 접근 방식과 유사한 접근 방식이 특정 분자 변이를 표적으로 하는 실험적 치료의 혜택을 받을 수 있는 암 환자를 조기에 식별할 수 있을 것"이라고 말함

훈련 및 성능

  • 이 팀의 최신 연구는 대장암과 뇌종양 평가를 위한 AI 시스템에 대한 Yu의 이전 연구를 기반으로 함. 이전 연구는 특정 암 유형 및 특정 작업 내에서 이 접근 방식의 실현 가능성을 입증함
  • CHIEF(Clinical Histopathology Imaging Evaluation Foundation)라고 불리는 새로운 모델은 1천5백만 개의 레이블이 없는 이미지를 관심 섹션으로 분할하여 훈련되었음
  • 이 도구는 폐, 유방, 전립선, 대장, 위, 식도, 신장, 뇌, 간, 갑상선, 췌장, 자궁경부, 자궁, 난소, 고환, 피부, 연조직, 부신, 방광을 포함한 조직의 60,000개 전체 슬라이드 이미지에 대해 추가로 훈련되었음
  • 이미지의 특정 섹션과 전체 이미지를 모두 보도록 모델을 훈련시킴으로써 한 영역의 특정 변화를 전체 맥락과 연관시킬 수 있었음. 연구자들은 이러한 접근 방식이 CHIEF가 특정 영역에만 집중하는 대신 더 넓은 맥락을 고려하여 이미지를 더 전체적으로 해석할 수 있게 했다고 말함
  • 훈련 후 연구팀은 전 세계 24개 병원과 환자 코호트에서 수집한 32개의 독립 데이터 세트에서 19,400개 이상의 전체 슬라이드 이미지에 대해 CHIEF의 성능을 테스트함
  • 전반적으로 CHIEF는 암세포 검출, 종양 기원 식별, 환자 결과 예측, 치료 반응과 관련된 유전자 및 DNA 패턴 식별 등의 작업에서 최대 36%까지 다른 최첨단 AI 방법을 능가하였음
  • CHIEF는 다양한 훈련 덕분에 종양 세포가 생검을 통해 얻어졌는지 아니면 수술적 절제를 통해 얻어졌는지에 관계없이 동등하게 잘 수행되었음
  • 또한 암세포 샘플을 디지털화하는 데 사용되는 기술에 관계없이 정확도가 동일했음
  • 연구자들은 이러한 적응력으로 인해 CHIEF가 다양한 임상 환경에서 사용할 수 있으며, 특정 기술을 통해 얻은 조직을 판독할 때만 잘 수행되는 경향이 있는 현재 모델을 넘어서는 중요한 단계를 나타낸다고 말함

암 검출

  • CHIEF는 암 검출에서 거의 94%의 정확도를 달성했고 11개 암종을 포함한 15개 데이터셋에서 현재 AI 접근 방식을 크게 능가하였음
  • 독립적인 코호트에서 수집한 5개의 생검 데이터셋에서 CHIEF는 식도, 위, 대장, 전립선 등 여러 암종에 걸쳐 96%의 정확도를 달성하였음
  • 연구자들이 이전에 보지 못한 대장, 폐, 유방, 자궁내막, 자궁경부의 수술로 제거된 종양 슬라이드에서 CHIEF를 테스트했을 때, 모델은 90% 이상의 정확도로 수행되었음

종양의 분자 프로파일 예측

  • 종양의 유전적 구성은 미래 행동과 최적의 치료법을 결정하는 중요한 단서를 제공함
  • 이 정보를 얻기 위해 종양학자들은 종양 샘플의 DNA 시퀀싱을 주문하지만, 전 세계적으로 암 조직의 이러한 상세한 유전체 프로파일링은 비용과 시간 때문에 정기적으로 또는 균일하게 이루어지지 않음
  • CHIEF는 현미경 슬라이드를 보고 종양의 유전체 변이를 예측하는 데 있어 현재의 AI 방법을 능가하였음
  • 이 새로운 AI 접근 방식은 암 성장 및 억제와 관련된 몇 가지 중요한 유전자와 관련된 특징을 성공적으로 식별했으며, 종양이 다양한 표준 치료에 얼마나 잘 반응할 수 있는지와 관련된 주요 유전적 변이를 예측하였음
  • CHIEF는 또한 대장 종양이 면역 관문 차단이라고 하는 면역요법의 한 형태에 얼마나 잘 반응할 수 있는지와 관련된 특정 DNA 패턴을 감지하였음
  • 전체 조직 이미지를 볼 때 CHIEF는 흔히 변이된 54개의 암 유전자에서 70% 이상의 전반적인 정확도로 변이를 식별하여 유전체 암 예측을 위한 현재 최첨단 AI 방법을 능가하였음. 특정 암 유형의 특정 유전자에 대한 정확도는 더 높았음
  • 연구팀은 또한 15개 해부학적 부위에 걸쳐 18개 유전자에 대해 FDA 승인 표적 치료에 대한 반응과 연관된 돌연변이를 예측하는 CHIEF의 능력을 테스트하였음. CHIEF는 미만성 거대 B세포 림프종이라는 혈액암에서 흔한 EZH2라는 유전자의 돌연변이 검출에서 96%, 갑상선암에서 BRAF 유전자 돌연변이에 대해 89%, 두경부암에서 NTRK1 유전자 돌연변이에 대해 91%의 정확도를 달성하는 등 여러 암 유형에서 높은 정확도를 달성하였음

환자 생존 예측

  • CHIEF는 초기 진단 시 얻은 종양 조직병리학적 영상을 기반으로 환자 생존을 성공적으로 예측하였음
  • 모든 암 유형 및 연구 대상 환자군에서 CHIEF는 장기 생존 환자와 단기 생존 환자를 구별하였음
  • CHIEF는 다른 모델보다 8% 더 우수한 성능을 보였고, 진행성 암 환자에서는 다른 AI 모델보다 10% 더 우수한 성능을 보였음
  • CHIEF의 높은 사망 위험 대 낮은 사망 위험 예측 능력은 17개 다른 기관의 환자 샘플에서 테스트되고 확인되었음

종양 행동에 대한 새로운 통찰력 추출

  • 이 모델은 종양 공격성 및 환자 생존과 관련된 이미지의 특징적인 패턴을 식별하였음
  • 이러한 관심 영역을 시각화하기 위해 CHIEF는 이미지에 열 지도를 생성하였음. 인간 병리학자들이 이러한 AI 파생 핫스팟을 분석했을 때, 그들은 암세포와 주변 조직 사이의 상호작용을 반영하는 흥미로운 신호를 보았음
  • 그러한 한 가지 특징은 단기 생존자에 비해 장기 생존자의 종양 영역에서 더 많은 수의 면역세포가 존재한다는 것이었음. Yu는 면역세포의 더 큰 존재는 면역 시스템이 종양을 공격하기 위해 활성화되었음을 나타낼 수 있기 때문에 이러한 발견이 타당하다고 지적함
  • 단기 생존자의 종양을 볼 때, CHIEF는 다양한 세포 구성 요소 간의 비정상적인 크기 비율, 세포 핵에서 더 많은 비정형적 특징, 세포 간의 약한 연결, 종양 주변 영역의 결합 조직 존재 감소 등으로 특징지어지는 관심 영역을 식별하였음. 이러한 종양에는 또한 주변에 더 많은 죽어가는 세포가 존재하였음. 예를 들어, 유방 종양에서 CHIEF는 조직 내 괴사(조기 세포 사망)의 존재를 관심 영역으로 지적하였음. 반대로 생존율이 높은 유방암은 건강한 조직과 유사한 세포 구조를 보존할 가능성이 더 높았음. 연구팀은 생존과 관련된 시각적 특징과 관심 영역은 암 유형에 따라 다양했다고 설명함

다음 단계

연구자들은 다음과 같은 방법으로 CHIEF의 성능을 개선하고 기능을 확장할 계획이라고 말함:

  • 희귀 질환 및 비암성 조건의 조직 이미지에 대한 추가 훈련 수행
  • 세포가 완전히 암성이 되기 전의 전암성 조직의 샘플 포함
  • 공격성 수준이 다른 암을 식별하는 능력을 향상시키기 위해 모델을 더 많은 분자 데이터에 노출시키기
  • 표준 치료 외에도 새로운 암 치료의 이점과 부작용을 예측하도록 모델 훈련

GN⁺의 의견

  • 이 연구는 암 진단 및 치료 계획 수립을 위한 AI 기술의 발전을 보여주고 있음. 특히 여러 암종에 걸쳐 적용 가능한 범용 모델을 개발했다는 점에서 의미가 있음
  • 그러나 실제 임상 현장에 적용하기 위해서는 더 많은 데이터로 검증하고 의사와 AI가 효과적으로 협업할 수 있는 방안을 마련해야 할 것임. 진단의 정확성과 책임 소재 문제 등 해결해야 할 과제도 남아있음
  • 유사한 기술로는 병리 이미지 분석을 통해 암을 진단하는 Paige.AI, Proscia 등의 기업들이 있음. 이들은 특정 암종에 특화된 솔루션을 제공하고 있어 범용성 측면에서는 이 연구와 차별화됨
  • AI 기반 암 진단 기술 도입 시에는 의료진의 역할 변화, 진단 프로세스 개선, 의료 수가 조정 등 다양한 사회적 합의와 제도 정비가 필요할 것임. 동시에 AI 편향성 문제, 개인정보보호 이슈 등 기술적, 윤리적 리스크도 면밀히 검토해야 함
  • 향후 암 조직의 분자생물학적 특성까지 종합적으로 분석하고, 약물 반응성까지 예측할 수 있는 AI 기술이 개발된다면 정밀 의료 구현에 크게 기여할 수 있을 것으로 기대됨