핵심 요약
어반데이터랩(대표 안치성)이 참여한 다기관 공동연구 논문이 국제 학술지 Scientific Reports(Nature Portfolio)에 게재됐다. 이번 연구는 국립보건연구원 미래의료연구 헬스케어인공지능연구과의 지원을 받아 5개 의료기관의 병리 데이터를 활용해 방광암(요로 상피 신생물)에 대한 AI 기반 자동 분류 모델을 개발·검증한 성과다. 연구팀은 약 1만2500장 WSI를 전처리해 CNN·Transformer 계열 모델을 비교 평가했으며, EfficientNet-B6가 정확도 0.913·민감도 0.909·특이도 0.956·AUC 0.983으로 가장 우수한 결과를 보였다.
핵심 사실
- 게재지: Scientific Reports(Nature Portfolio)에 연구 논문 게재가 확정됐다.
- 연구 지원: 국립보건연구원 미래의료연구 헬스케어인공지능연구과의 ‘공간바이오마커 개발을 위한 디지털병리 기반 인공지능 학습용 데이터 구축’ 사업의 일환으로 수행됐다.
- 데이터 규모: 사업 목표는 50건 이상 규모의 공간전사체 데이터와 6,000건 이상 디지털 병리 이미지 데이터 구축이다.
- 다기관 참여: 국내 5개 의료기관에서 확보한 병리 데이터를 기반으로 연구가 진행됐다.
- 이미지·전처리: 전체 약 12,500장(WSI)을 대상으로 염색 표준화 및 패치 추출 등 전처리 과정을 거쳤다.
- 모델 비교: CNN(ResNet-50, DenseNet-121 등)과 Transformer 기반(ViT) 모델을 포함해 다수 모델을 비교 평가했다.
- 주요 성능: EfficientNet-B6 모델이 정확도 0.913, 민감도 0.909, 특이도 0.956, AUC 0.983로 최상위 성능을 기록했다.
- 연구진·역할: 박준영·김지섭 박사가 공동 제1저자, 김광기·정찬권 교수가 교신저자, 안치성 대표는 데이터 처리 및 AI 모델링을 담당한 공동연구자로 연구 전 과정에 참여했다.
사건 배경
디지털 병리(Whole Slide Imaging, WSI)와 공간바이오마커 연구는 조직 수준의 분자·구조 정보를 결합해 질병 표지자를 찾는 분야로 주목받고 있다. 국내에서는 다기관·대규모 WSI와 공간전사체 데이터를 결합한 AI 학습용 데이터셋 구축이 초기 단계였고, 표준화된 데이터 수집과 라벨링이 큰 과제였다. 국립보건연구원 등 공공 연구지원은 이러한 인프라 구축을 촉진해 국내 연구자들이 국제 학술지에 결과를 발표할 수 있는 토대를 마련했다.
특히 방광암(요로 상피 신생물)은 조직학적 등급과 침습성 판단이 임상적 처치에 중요한 영향을 미치나 병리과 판독자 간 분류 일관성의 한계가 존재한다. AI 기반 자동 분류 모델은 판독 효율을 높이고 진단 편차를 줄이는 보조 도구로 기대되며, 다기관 데이터를 통한 검증은 외적 타당성 확보의 핵심 절차로 여겨진다.
주요 사건
연구팀은 5개 의료기관에서 수집한 WSI 약 12,500장을 대상으로 염색 표준화(stain normalization)와 패치 추출을 포함한 전처리 워크플로를 수립했다. 이후 CNN 계열(ResNet-50, DenseNet-121 등)과 EfficientNet-B6, Vision Transformer(ViT) 등 다양한 아키텍처를 학습시키고 5-Fold 교차검증으로 성능을 비교했다. 연구 목적은 정상·비침습성·침습성 세 범주를 AI가 자동 분류하는 모델의 정확성·민감도·특이도·AUC를 정량적으로 검증하는 것이었다.
평가 결과 EfficientNet-B6가 가장 우수한 성능을 보였고, 특히 AUC 0.983으로 임상적 판독 보조에 필요한 높은 판별력을 나타냈다. 연구팀은 모델의 해석 가능성 확보를 위해 CAM(Grad-CAM 유사 기법) 기반 시각화도 수행해 AI가 진단 근거로 삼은 조직학적 핵심 부위를 제시했다.
연구의 작성과정에는 가천대 길병원 박준영 박사와 김지섭 교수가 공동 제1저자로, 김광기·정찬권 교수가 교신저자로 참여했으며, 어반데이터랩은 데이터 처리와 모델링을 담당해 다기관 협업을 기술적으로 조율했다. 연구는 학술지 심사과정과 데이터 검증 절차를 완료해 최종 게재가 확정됐다.
분석 및 의미
첫째, 다기관 WSI 데이터 기반의 모델 검증은 국내 AI 병리 연구의 외적 타당성을 강화했다. 단일 기관 데이터에 비해 기관 간 염색·스캔 조건의 다양성이 모델의 일반화 성능을 시험하는 더 엄격한 환경을 제공한다. 이번 연구는 그런 환경에서도 높은 AUC를 기록해 실무 적용 가능성의 근거를 제시했다.
둘째, EfficientNet-B6의 우수성은 최신 네트워크 설계가 병리 이미지 분류에 적절히 적용될 수 있음을 의미한다. 다만 모델 선택은 계산 자원, 추론 속도, 임상 워크플로 통합 용이성 등을 함께 고려해야 하므로 상용화 단계에서는 추가 최적화가 요구된다.
셋째, CAM 기반 시각화는 AI의 설명력을 보강해 병리학자의 신뢰 형성에 기여한다. 임상 적용을 위해서는 모델의 오탐·누락 사례에 대한 체계적 검토와 임상시험 수준의 전향적 검증이 필요하다. 또한 규제 승인(IVD) 절차와 데이터 프라이버시·표준화 문제도 해결해야 할 과제로 남아 있다.
비교 및 데이터
| 모델 | 정확도 | 민감도 | 특이도 | AUC |
|---|---|---|---|---|
| EfficientNet-B6 | 0.913 | 0.909 | 0.956 | 0.983 |
| ResNet-50 / DenseNet-121 / ViT | 비교 평가(ROC 곡선 제공, 개별 수치 표기 없음) | |||
위 표는 연구에서 보고된 핵심 성능 지표를 요약한 것이다. 연구 원문은 5-Fold 교차검증 결과의 ROC 곡선을 통해 모델 간 차이를 시각적으로 제시했으며, CAM 시각화로 모델의 판단 근거를 확인했다.
반응 및 인용
“이번 연구가 Scientific Reports에 게재된 것을 뜻깊게 생각합니다. AI가 임상·의료 영상 분야에 실질적 기여를 할 수 있음을 보여준 성과입니다.”
박준영 박사(공동 제1저자)
박준영 박사는 연구가 학술적으로 인정받은 점을 강조하면서, 임상 적용 단계로의 연계 가능성에 주목했다. 그는 향후 전향적 검증과 임상 워크플로 통합 연구의 필요성을 밝혔다.
“이번 성과를 발판삼아 추가 병리 바이오마커 연구와 AI IVD 제품화에 속도를 내겠습니다. 글로벌 임상 파트너십을 확대해 한국형 AI 병리 솔루션의 국제 경쟁력을 키울 계획입니다.”
안치성 대표(어반데이터랩)
안치성 대표는 상용화 의지를 재확인하며, 현재 진행 중인 미국 Kaiser Permanente Medicine과의 공동연구와 디지털병리 플랫폼 ‘MeDIAuto’ 고도화 계획을 밝혔다. 회사 측은 상용화 시점과 규제 대응 계획을 단계적으로 제시할 예정이다.
불확실한 부분 (Unconfirmed)
- 모델의 실제 임상 환경 적용 시 성능: 연구는 다기관 레트로스펙티브 데이터로 검증했으나 전향적·다국가 임상시험 결과는 아직 공개되지 않았다.
- 규제 승인(IVD) 일정: 제품화·상용화와 관련한 구체적 시점 및 규제 절차 진행상황은 공개되지 않았다.
- Kaiser Permanente와의 공동연구 범위: 협업의 구체적 내용(데이터 교환 규모, 임상시험 참여 범위 등)은 공개 자료로 완전히 확인되지 않았다.
총평
이번 게재는 국내 다기관 WSI와 대용량 병리 이미지를 활용해 AI 기반 병변 분류의 정량적 근거를 마련했다는 점에서 의미가 크다. 연구는 모델 성능뿐 아니라 해석 가능성(CAM)까지 제시해 임상 적용을 위한 기초 단계에서 중요한 역할을 했다.
다만 상용화·임상 적용까지는 전향적 검증, 규제 승인, 다국적 데이터에서의 일반화 검증 등 추가 절차가 필요하다. 어반데이터랩과 공동연구진이 밝힌 후속 계획(제품화·글로벌 파트너십 확대)이 현실화되면 국내 AI 병리 솔루션의 국제 경쟁력이 한층 강화될 가능성이 크다.
출처
- 전자신문 (언론)
- 국립보건연구원 (공식 기관)
- Scientific Reports (학술지)
- Kaiser Permanente (의료기관)