AI 방식이 인간보다 더 빠르고 더 잘 잠재적 질병을 발견할 수 있다는 연구 결과

워싱턴 주립대에서 개발한 "심층 학습" 인공지능 모델은 동물과 인간 조직 이미지에서 병리 또는 질병 징후를 사람보다 훨씬 빠르고, 종종 더 정확하게 식별할 수 있습니다.

Scientific Reports 에 자세히 설명된 이 개발은 질병 관련 연구의 속도를 극적으로 높일 수 있습니다. 또한 생검 이미지에서 몇 분 만에 암을 감지하는 것과 같이 향상된 의학적 진단의 잠재력을 가지고 있습니다. 일반적으로 인간 병리학자가 몇 ​​시간 걸리는 프로세스입니다.

"이 AI 기반 딥 러닝 프로그램은 이러한 조직을 살펴보는 데 매우, 매우 정확했습니다." WSU 생물학자이자 논문의 공동 책임 저자인 마이클 스키너가 말했습니다. "이 프로그램은 동물과 인간 모두에게 이러한 유형의 의학을 혁신하여 본질적으로 이러한 종류의 분석을 더 잘 촉진할 수 있습니다."

AI 모델을 개발하기 위해, WSU 대학원생 출신 컴퓨터 과학자 콜린 그릴리와 그의 지도 교수인 로렌스 홀더는 스키너 연구실에서 수행한 과거 후성유전학 연구의 이미지를 사용하여 모델을 훈련시켰습니다. 이 연구에는 쥐와 생쥐의 신장, 고환, 난소 및 전립선 조직에서 분자 수준의 질병 징후가 포함되었습니다. 그런 다음 연구자들은 유방암과 림프절 전이를 식별하는 연구를 포함한 다른 연구의 이미지로 AI를 테스트했습니다.

연구자들은 새로운 AI 딥러닝 모델이 병리를 빠르게 정확하게 식별할 뿐만 아니라 이전 모델보다 더 빨리 식별하고, 어떤 경우에는 훈련된 인간 팀이 놓친 사례도 찾아내는 것을 발견했습니다.

"이제 우리는 인간보다 더 빠르고 정확하게 질병과 조직을 식별할 수 있는 방법을 갖게 되었다고 생각합니다." 연구의 공동 책임 저자인 홀더의 말입니다.

전통적으로 이러한 유형의 분석에는 특별히 훈련된 사람들로 구성된 팀이 현미경을 사용하여 조직 슬라이드를 검사하고 주석을 달면서 힘든 작업이 필요했으며, 종종 인간의 실수를 줄이기 위해 서로의 작업을 확인해야 했습니다.

DNA 자체를 변화시키지 않고 유전자 행동에 영향을 미치는 분자 과정의 변화를 연구하는 스키너의 유전학 연구에서 이 분석은 대규모 연구의 경우 1년 이상 걸릴 수 있습니다. 이제 새로운 AI 딥 러닝 모델을 사용하면 몇 주 안에 동일한 데이터를 얻을 수 있다고 스키너는 말했습니다.

딥 러닝은 인간의 뇌를 모방하려는 AI 방법으로, 전통적인 머신 러닝을 뛰어넘는 방법이라고 홀더는 말했다. 대신 딥 러닝 모델은 뉴런과 시냅스 네트워크로 구성됩니다. 모델이 실수를 하면 역전파라는 프로세스를 사용하여 실수를 "학습"하고, 네트워크 전체에 걸쳐 많은 변경을 가해 오류를 수정하므로 반복되지 않습니다.

연구팀은 WSU 딥 러닝 모델을 설계하여 매우 고해상도의 기가픽셀 이미지를 처리하도록 했습니다. 즉, 수십억 개의 픽셀이 포함되어 있다는 뜻입니다. 최고의 컴퓨터도 느려질 수 있는 이러한 이미지의 큰 파일 크기를 처리하기 위해 연구자들은 AI 모델을 설계하여 더 작고 개별적인 타일을 살펴보지만 여전히 더 큰 섹션의 맥락에 배치하지만 해상도는 낮습니다. 이는 현미경으로 확대/축소하는 것과 비슷한 프로세스입니다.

이러한 딥러닝 모델은 이미 다른 연구자들의 관심을 끌고 있으며, 홀더의 팀은 현재 WSU 수의학 연구자들과 협력하여 사슴과 엘크 조직 샘플에서 질병을 진단하는 작업을 진행하고 있습니다.

저자들은 또한 이 모델이 인간의 연구와 진단, 특히 암과 다른 유전자 관련 질병을 개선할 수 있는 잠재력이 있다고 지적합니다. Holder는 조직에서 암을 식별하는 주석이 달린 이미지와 같은 데이터가 있는 한, 연구자들은 AI 모델을 훈련시켜 그 작업을 수행할 수 있다고 말했습니다.

"우리가 설계한 네트워크는 최첨단입니다." 홀더가 말했다. "우리는 이 논문을 위해 다른 여러 시스템과 다른 데이터 세트와 비교를 했고, 그것은 모든 것을 이겼습니다."

이 연구는 John Templeton Foundation의 지원을 받았습니다. WSU 생물 과학부 연구 조교수인 Eric Nilsson도 이 논문의 공동 저자입니다.

출처: https://www.sciencedaily.com/releases/2024/11/241114125659.htm