AI 모델, 수술 중 놓치기 쉬운 뇌암종 10초 만에 검출

연구자들은 수술 중 암성 뇌종양의 어느 부분이 제거될 수 있는지 10초 안에 판단할 수 있는 AI 기반 모델을 개발했다고 Nature 에 발표된 연구에서 밝혔습니다.

미시간 대학과 캘리포니아 대학 샌프란시스코 캠퍼스가 이끄는 연구팀에 따르면, FastGlioma라고 불리는 이 기술은 종양의 잔여 부분을 식별하는 데 있어 기존 방법보다 엄청난 우위를 보였습니다.

"FastGlioma는 확산성 신경교종 환자의 포괄적인 관리를 즉시 개선하여 신경외과 분야를 바꿀 수 있는 잠재력을 가진 인공지능 기반 진단 시스템입니다." 미시간 대학 의대의 신경외과 전문의이자 UM 의대 신경외과 조교수인 수석 저자인 토드 홀론 박사가 말했습니다.

"이 기술은 종양 탐지를 위한 현재의 표준 치료 방법보다 더 빠르고 정확하게 작동하며 다른 소아 및 성인 뇌종양 진단에도 일반화될 수 있습니다. 뇌종양 수술을 안내하는 기초 모델이 될 수 있습니다."

신경외과 의사가 환자의 뇌에서 생명을 위협하는 종양을 제거할 때, 전체 종양을 제거할 수 있는 경우는 거의 없습니다.

남아 있는 것을 잔류 종양이라고 합니다.

외과의가 건강한 뇌와 덩어리를 제거한 부위에 남아 있는 종양을 구별하지 못해 수술 중에 종양을 놓치는 경우가 많습니다.

잔류 종양은 건강한 뇌와 유사할 수 있는데, 이는 수술에 있어서 여전히 큰 과제입니다.

신경외과 팀은 수술 중에 잔류 종양을 찾기 위해 다양한 방법을 사용합니다.

그들은 MRI 영상을 받아야 할 수도 있는데, 이를 위해서는 수술 중 필요한 기계가 필요한데 이런 기계는 어디서나 이용할 수 없습니다.

외과 의사는 형광 영상제를 사용하여 종양 조직을 식별할 수도 있는데, 이는 모든 종양 유형에 적용되는 것은 아닙니다.

이런 제한으로 인해 널리 사용되지 못하고 있습니다.

AI 기반 기술에 대한 이 국제적인 연구에서, 신경외과 팀은 저등급 또는 고등급 확산성 신경교종 수술을 받은 220명의 환자에게서 채취한 신선하고 가공되지 않은 표본을 분석했습니다.

FastGlioma는 약 92%의 평균 정확도로 얼마나 많은 종양이 남아 있는지 감지하고 계산했습니다.

FastGlioma 예측을 통한 수술과 영상 및 형광 유도 방법을 통한 수술을 비교했을 때, AI 기술은 고위험 잔여 종양을 놓칠 확률이 단 3.8%에 불과했습니다. 반면, 기존 방법의 놓칠 확률이 약 25%였습니다.

"이 모델은 AI를 사용하여 미세한 해상도로 종양 침윤을 빠르게 식별함으로써 기존 수술 기술과는 혁신적으로 차별화되어, 신경교종이 절제된 부위에서 잔류 종양을 놓칠 위험을 크게 줄입니다." 캘리포니아 대학교 샌프란시스코의 신경외과 교수이자 UM Health의 전 신경외과 레지던트인 공동 수석 저자인 숀 허비-점퍼 박사가 말했습니다.

"FastGlioma의 발달은 방사선 영상, 대조 증강 또는 형광 라벨에 대한 의존도를 최소화하여 최대 종양 제거를 달성할 수 있습니다."

작동 원리

뇌종양의 잔여물을 평가하기 위해 FastGlioma는 미세한 광학 이미징과 파운데이션 모델이라 불리는 일종의 인공 지능을 결합합니다.

GPT-4 및 DALL·E 3와 같은 AI 모델은 광범위한 작업에 맞게 조정이 가능한 방대하고 다양한 데이터 세트를 사용하여 훈련되었습니다.

대규모 학습을 거친 후, 파운데이션 모델은 이미지를 분류하고, 챗봇 역할을 하고, 이메일에 답장하고, 텍스트 설명에서 이미지를 생성할 수 있습니다.

연구진은 FastGlioma를 구축하기 위해 11,000개가 넘는 수술 표본과 400만 개의 고유한 현미경 시야를 사용하여 시각적 기반 모델을 사전 훈련했습니다.

종양 표본은 UM에서 개발한 빠르고 고해상도의 광학 이미징 방법인 자극 라만 조직학을 통해 이미징됩니다.

동일한 기술을 사용하여 90초 이내에 뇌종양의 유전자 돌연변이를 감지하는 AI 기반 진단 스크리닝 시스템인 DeepGlioma를 훈련했습니다.

"FastGlioma는 시간이 많이 걸리는 조직학 절차와 의료 AI의 방대한 레이블이 지정된 데이터 세트에 의존하지 않고도 잔여 종양 조직을 감지할 수 있습니다. 이는 희소합니다." UM의 컴퓨터 과학 및 공학과 공동 저자이자 교수인 Honglak Lee 박사의 말입니다.

자극된 라만 조직학을 사용해 전체 해상도 이미지를 얻는 데는 약 100초가 걸립니다. "고속 모드"의 낮은 해상도 이미지는 불과 10초가 걸립니다.

연구자들은 전체 해상도 모델이 최대 92%의 정확도를 달성한 반면, 고속 모드는 약 90%로 약간 낮은 정확도를 달성했다는 것을 발견했습니다.

홀론 박사는 "이것은 우리가 매우 높은 정확도로 몇 초 안에 종양 침윤을 감지할 수 있다는 것을 의미하며, 이를 통해 수술 중에 추가 절제가 필요한지 여부를 외과의에게 알려줄 수 있습니다."라고 말했습니다.

암 분야에서 AI의 미래

지난 20년 동안 신경수술 후 잔류 종양의 발생률은 개선되지 않았습니다.

잔류 종양은 환자의 삶의 질을 저하시키고 조기 사망을 초래할 뿐만 아니라, 2030년까지 전 세계적으로 연간 4,500만 건의 수술이 필요할 것으로 예상되는 의료 시스템의 부담을 증가시킵니다.

전 세계 암 이니셔티브에서는 첨단 영상화 기술과 AI를 포함한 새로운 기술을 암 수술에 통합할 것을 권장했습니다.

2015년, 세계 암 수술에 대한 랜싯 종양학 위원회는 "암 수술에서 수술적 여백을 해결하기 위한 비용 효율적인 접근 방식의 필요성이 새로운 기술에 대한 강력한 동력을 제공한다"고 언급했습니다.

FastGlioma는 신경교종을 수술하는 신경외과 팀에게 접근성과 경제성을 갖춘 도구일 뿐 아니라, 연구자들은 이 도구가 뇌종양(예: 뇌수막종, 상피세포종) 및 뇌막종을 포함한 여러 비신경교종 종양 진단에서 잔류 종양을 정확하게 검출할 수 있다고 말합니다.

"이러한 결과는 의료 AI 응용 프로그램을 위한 FastGlioma와 같은 시각적 기초 모델의 이점과 광범위한 모델 재교육이나 미세 조정 없이도 다른 인간 암으로 일반화할 수 있는 잠재력을 보여줍니다." 공동 저자인 UM Health의 신경외과 부서장인 Aditya S. Pandey, MD가 말했습니다.

"향후 연구에서는 FastGlioma 워크플로를 폐암, 전립선암, 유방암, 두경부암을 포함한 다른 암에 적용하는 데 집중할 것입니다."

출처: https://www.sciencedaily.com/releases/2024/11/241113123219.htm