본문 바로가기 대메뉴 바로가기

연구

스스로 진화하는 흉부 엑스선 인공지능 진단기술 개발​
조회수 : 3793 등록일 : 2022-07-27 작성자 : 홍보실

김재철AI대학원 예종철 교수

< 김재철AI대학원 예종철 교수 >

우리 대학 김재철AI대학원 예종철 교수 연구팀이 서울대학교 병원, 서울 아산병원, 충남대학교 병원, 영남대학교 병원, 경북대학교 병원과의 공동연구를 통해 결핵, 기흉, 코로나-19 등의 흉부 엑스선 영상을 이용한 폐 질환의 자동 판독 능력을 스스로 향상할 수 있는 자기 진화형 인공지능 기술을 개발했다고 27일 밝혔다. 

현재 사용되는 대부분의 의료 인공지능 기법은 지도학습 방식 (Supervised learning)으로서 인공지능 모델을 학습하기 위해서는 전문가에 의한 다량의 라벨이 필수적이나, 실제 임상 현장에서 전문가에 의해 라벨링 된 대규모의 데이터를 지속해서 얻는 것이 비용과 시간이 많이 들어 이러한 문제가 의료 인공지능 발전의 걸림돌이 돼왔다.

그림 1. 자기 훈련 학습 방식과 자기 지도 학습 방식, 그리고 연구팀이 제안한 새로운 방식

< 그림 1. 자기 훈련 학습 방식과 자기 지도 학습 방식, 그리고 연구팀이 제안한 새로운 방식 >

그림 2. DISTL 방식을 활용한 임상 환경 시뮬레이션

< 그림 2. DISTL 방식을 활용한 임상 환경 시뮬레이션 >

이러한 문제를 해결하기 위해, 예종철 교수팀은 병원 현장에서 영상의학과 전문의들이 영상 판독을 학습하는 과정과 유사하게, 자기 학습과 선생-학생 간의 지식전달 기법을 묘사한 지식 증류 기법을 활용한 자기 지도학습 및 자기 훈련 방식(Distillation for self-supervised and self-train learning, 이하 DISTL) 인공지능 알고리즘을 개발했다. 제안하는 인공지능 알고리즘은 적은 수의 라벨데이터만 갖고 초기 모델을 학습시키면 시간이 지남에 따라 축적되는 라벨 없는 데이터 자체만을 가지고 해당 모델이 스스로 성능을 향상해 나갈 수 있는 것을 보였다.

실제 의료 영상 분야에서 전문가들이 판독한 정제된 라벨 획득의 어려움은 영상 양식이나 작업과 관계없이 빈번하게 발생하는 문제점이고, 이러한 영상 전문의의 부족 현상은 저소득 국가들과 개발도상국과 같이 결핵과 같은 다양한 전염성 질환이 많이 발생하는 지역에 많다는 점을 고려할 때, 예 교수팀에서 개발한 인공지능 알고리즘은 해당 지역에서 인공지능 모델을 자기 진화시키는 방식으로 진단 정확도를 향상하는 데 큰 도움을 줄 것으로 기대된다.

그림 3. DISTL 방식을 적용한 결과

< 그림 3. DISTL 방식을 적용한 결과 >

그림 4. DISTL 방식으로 학습된 비전 변환기 모델의 집중 시각화 결과를 기존과 비교

< 그림 4. DISTL 방식으로 학습된 비전 변환기 모델의 집중 시각화 결과를 기존과 비교 >

예종철 교수는 지도학습 방식으로 성능을 향상하기 위해서는 전문가 라벨을 지속해서 획득해야 하고, 비 지도학습 방식으로는 성능이 낮다는 문제점을 극복한 DISTL 모델은 영상 전문의들의 인공지능 학습을 위한 레이블 생성 비용과 수고를 줄이면서도 지도학습 성능을 뛰어넘었다는 점에서 의미가 있고, 다양한 영상 양식 및 작업에 활용할 수 있을 것으로 기대된다라고 말했다. 

예종철 교수 연구팀의 박상준 박사과정이 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `네이처 커뮤니케이션스(Nature Communications)'74일 자로 게재됐다.

한편 이번 연구는 중견연구자지원사업, 범부처전주기의료기기연구개발사업 및 한국과학기술원 중점연구소 사업등의 지원을 받아 수행됐다.

*논문명: Self-evolving vision transformer for chest X-ray diagnosis through knowledge distillation

논문 링크: https://www.nature.com/articles/s41467-022-31514-x

관련뉴스