죄송합니다. 더 이상 지원되지 않는 웹 브라우저입니다.

미래의 암 진단 기술 향상을 주도할 머신 러닝

PDF 다운로드

저자/리암 크리츨리(Liam Critchley) 

제공/마우저 일렉트로닉스(Mouser Electronics)

인공 지능(AI) 활용이 전 세계적으로 증가하고 있는 추세이다. AI는 다양한 산업 분야에 시간, 비용, 정확성 등의 혜택을 제공하기에 많은 첨단 기업들이 이를 채택 중이다. AI는 특히 화학 및 제약 분야에서 필수 기술로 자리잡고 있다. 우선, AI는 제약회사들에게 신약 설계 및 합성신약 개발을 위한 다양한 방법을 제공하는 인공신경망으로 활용될 수 있다. 또한 AI는 머신 러닝(machine learning) 알고리즘으로 작용하여 환자의 암세포를 고도의 정확도로 감지할 수 있는 방법을 제시한다. 이 글에서는 후자인 머신 러닝과 관련된 이야기를 소개한다.

오늘날의 암 진단 방법

과학자들은 암을 검사하고 관찰하는 방법을 오랫동안 연구해왔는데, 지금까지는 현미경을 비롯한 다양한 이미징 기술이 가장 많이 활용되었다. 하지만 이제는 컴퓨터의 도움 없이 현미경으로 암세포를 관찰하고 진단을 내리던 시대는 끝이 났다. 최근 몇 년 사이 과학자들은 다양한 컴퓨터 소프트웨어 프로그램을 활용하여 촬영한 세포 이미지 샘플을 통해 세포의 모양, 크기, 형태를 볼 수 있게 되었다. 하지만 암세포의 발생 및 전이 위치를 찾아내는 작업에는 아직도 많은 프로그램들이 사람의 직접 개입 없이는 수행하기 힘든 상황이다. 이 같은 이미징 기법들은 간단한 현미경에서부터 MRI 스캐너에 이르기까지 다양한 분석 장비에서 사용되도록 설계되었다.

이처럼 암 진단에 효과적인 방법들은 다양하며, 전반적으로 인류의 질병 인식과 치료에 있어 상당한 발전을 이루는데 일조했지만, 여전히 많은 방법들은 인간의 실수가 개입될 여지도 많다. 그러한 작은 실수 하나가 오진으로 이어질 수 있는 법이다. 이에 대한 잠재적인 솔루션으로 머신 러닝이 지난 몇 년 사이 부상하기 시작했다. 그 결과 머신 러닝 기술은 지속적으로 발전하면서 높은 정확도로 이미징 샘플을 분석하고 암세포를 찾아내기에 이르렀다.

오늘날에는 다양한 화학 센서들이 암세포를 감지해낼 수 있다. 임상의들이 환자의 혈액에서 특정 생체지표(biomarker)를 확인하는 것은 가능하지만, 생물학적 샘플을 분석하기엔 다소 무리가 따른다. 테스트를 통해 특정 생체지표를 감지해내는 수준까지는 가능하더라도, 생물학적 샘플은 본질적으로 매우 복잡하기 때문에 인간의 능력으로 생물학적 유체를 분석할 경우 때로는 오류로 이어질 수 있다. 그렇기 때문에 임상의들은 테스트 상의 오류 확률을 줄이고 환자의 암세포 발병 및 전이 위치를 분석하기 위해 화학 테스트를 실시함과 동시에 머신 러닝 알고리즘을 사용할 수 있다.

암세포의 특성

암세포는 정상 세포와는 다른 특성을 지닌다. 이러한 특성은 환자에게서 암 발생이 의심되는 경우 혈액 내 존재하는 특정 생체지표와 더불어 암 발병 여부를 진단하는 지표가 된다. 이미징 기법을 활용하여 정상 세포와 암세포의 차이점을 찾아내는 방법은 환자의 암 발병 여부를 물리적으로 쉽게 판별할 수 있는 방법이다.

예를 들어, 건강한 정상 세포들은 특수 세포를 제외하고는 다른 일반적인 세포들과 동일한 형태와 크기를 지니는 반면, 암세포의 경우에는 정상 세포들과는 매우 다른 형태와 크기를 나타내는 경향이 있다. 또한 건강한 세포 체계에서는 세포 분열이 전반적으로 원활히 통제되며, 조직 배열 또한 일관적이다. 하지만, 암세포는 훨씬 더 빠른 속도로 분열하며 배열도 매우 무질서한 편이다.

또한 암세포는 정상 세포와 비교했을 때 전반적으로 크기가 더 크며 다양한 형태의 핵(nucleus)을 지닌다. 게다가, 암세포들은 정상 세포들이 지닌 특성을 잃어버려 정상 세포가 수행하는 특정 기능들을 수행할 수 없기 때문에 위험인자로 작용하기 마련이다. 정상 세포와 암세포의 이 같은 차이점과 특성은 소프트웨어가 충분한 데이터만 갖는다면 머신 러닝 알고리즘으로 찾아내어 이를 분석 및 비교할 수 있다.

암 이미징 시스템에 머신 러닝 적용하기

머신 러닝 알고리즘은 암세포에 대한 철저한 분석뿐만 아니라 환자의 암 발병 여부를 진단할 수 있는 방법을 제공한다. 머신 러닝 알고리즘은 과거 데이터를 현재의 데이터 분석 내용과 일치시키는 방식으로 작동한다. 머신 러닝 알고리즘은 과거 데이터를 새로운 데이터와 비교하는 기능을 통해 세포가 정상인지, 또는 암이 발병했는지를 찾아낼 수 있다.

이 같은 기능이 수행되기 위해서는 암세포와 정상 세포의 크기, 모양, 표면 형태 등의 정보가 포함된 이전의 연구 데이터가 머신 러닝 알고리즘에 제공되어야 한다. 이렇게 하면 해당 알고리즘은 이미지를 통해 어떤 세포가 건강한지, 어떤 세포가 암 발생 확률이 있는지 빠르고 쉽게 찾아낼 수 있다. 이 같은 알고리즘은 정확하고 통계적인 세포 분석 방법을 통해 암이 발병했는지 확인하거나, 암 발병 여부 확인을 위해 추가 검사를 수행해야 하는지를 결정할 때 인적 실수를 줄이는데 일조한다.

조기경보 POC(Point-of-Care, 현장진단) 기기

머신 러닝이 암 진단에 도움이 될 수 있는 영역은 이미징 기법만이 아니다. 최근 몇 년 사이 환자의 암 발병 여부를 훨씬 더 빠르게 진단할 수 있는 조기경보 POC 기기가 많이 생산되었다. 이들 기기는 대개 미세 유체 시스템 기반이며, 그 내부는 암세포에 부착되는 특정 표면 수용체로 코팅되고 기능화된다. 따라서 수용체들은 어떤 암이냐에 따라 그에 알맞은 기능을 수행해야 하지만, 이 같은 시스템들은 기본적으로 나노기술을 활용해 조기 경보 신호를 제공하는 POC 기기로서 작동하기 때문에 임상의들이 환자의 질병을 보다 일찍 치료하고 생존 확률을 높일 수 있도록 돕기도 한다.

그렇다면 여기에서 머신 러닝은 어떻게 활용되는 것일까? 앞서 언급된 플랫폼을 활용하거나 화학 테스트를 진행하면 상당한 양의 데이터를 수집하는 것이 가능해진다. 다양한 데이터 세트들 가운데서 규칙을 찾아내고 정확한 진단 정보를 제공하는 것은 결코 쉬운 일이 아니다. 세포에 대한 데이터가 크기나 형태에서부터 유전자 발현, 세포 내의 성장과 분열에 이르기까지 그 범위가 너무 방대하기 때문이다.

POC 기기를 이미징 기법과 함께 사용하면, 화학적으로 데이터를 분석하는 사이 샘플을 이미지화할 수 있다. 따라서 머신 러닝 알고리즘을 활용하는 동시에 이미지를 분할할 경우, 앞서 언급한 정상 세포와 암세포의 차이점을 구분해내는 방식을 일부 POC 기기에도 적용할 수 있게 된다. 그렇기 때문에 향후에는 화학적 진단과 이미징 진단이 결합되어 정량적, 정성적 분석이 가능한 다양한 플랫폼이 구축될 가능성이 크다.

머신 러닝, 암 진단을 위한 차세대 주력 기술로 자리잡을까?

머신 러닝 기술은 과연 암 진단을 위한 차세대 주력 기술로 자리잡을 수 있을까? 현재로서는 이 질문에 분명한 답을 내리기가 어려울 수 있다. 머신 러닝을 비롯한 다양한 AI 알고리즘은 의료 및 제약 분야 전반에 걸쳐 많은 관심이 집중되고 있으며, 오늘날 이와 관련된 다양한 연구가 진행되고 있다. 머신 러닝은 화학 테스트나 이미징 기법 모두에 이점을 제공하기 때문에 향후 암 진단 분야에 활용될 가능성도 충분히 높다. 머신 러닝의 활용 범위는 매우 넓고, 임상 수준에 있어 다양한 분야에서 유용하게 활용될 수 있을 것이다.

머신 러닝을 비롯한 각종 AI 알고리즘 사용은 증가 추세지만, 현재까지의 개발 수준은 아직 초기 단계라고 볼 수 있다. 이 같은 기술들은 다양한 분야에서 채택되고 있지만, 의료계에서는 오진 확률이나 환자의 안전 등을 고려해 상용화에 앞서 보다 면밀한 연구를 거친 뒤 도입 여부를 결정해야 할 것이다. 하지만 분명한 점은, 오늘날 암을 비롯한 여러 가지 질병에 대한 보다 정확한 분석이 가능해지고 있다는 것이다. 머신 러닝은 그 가능성을 높여주면서 그와 동시에 머신 러닝에 대한 인간의 편견을 하나씩 없애고 있다.

물론 의료 진단과 관련해서는 윤리적 측면도 고려되어야 하며, AI 활용 방안 또한 훈련된 임상의들이 꾸준히 지켜보며 결과를 확인해야할 필요가 있다. 그렇지 않으면 다른 최첨단 기술과 마찬가지로 오진이나 소프트웨어 문제로 이어질 수 있기 때문이다. 대부분의 임상 현장에서는 의료 문제가 발생하면 대개 임상의들이 문제점들을 해결해야 하기 마련이다. 따라서 이 같은 경우에 머신 러닝을 활용하면 임상의들은 임상 현장에서 필요한 모든 분석 내용을 제공받는 동시에, 윤리와 관련된 결정들은 직접 내리게 될 것이다.

그렇기에 인류가 윤리적인 사안들을 충분히 고려하면서 알고리즘의 정확성과 신뢰성을 높여간다면 향후에는 암 진단에 있어 머신 러닝 기술이 어떤 형태로든 효과적으로 사용될 수 있을 것이다. 물론, 종양학을 비롯한 다양한 임상 환경에서 AI가 활용될 수 있을지는 시간이 지나봐야 알게 될 것이다. 

leekh@seminet.co.kr
(끝)
<저작권자(c) 반도체네트워크, 무단 전재-재배포 금지>