UCLA 연구진이 새로운 AI 모델을 개발했습니다. 이 모델은 인간 임상 전문가보다 훨씬 짧은 시간 안에 질병 관련 3D 의료 이미지를 분석할 수 있는데요.
SLIViT(SLice Integration by Vision Transformer)라는 딥러닝 프레임워크는 망막 스캔, 초음파 비디오, CT, MRI 등 다양한 영상 데이터를 분석해 잠재적인 질병 위험 바이오마커를 찾아냅니다.
연구를 이끈 UCLA의 컴퓨터 의학 전문가이자 교수인 Eran Halperin 박사는 SLIViT가 다양한 질병에서 매우 정확한 결과를 제공하며 기존의 많은 질병별 파운데이션 모델보다 성능이 뛰어나다고 말했습니다. 이 모델은 방대한 공개 데이터 세트를 기반으로 한 새로운 사전 학습 및 파인 튜닝 방법을 사용합니다. Halperin 박사는 이 기술 덕분에 비용 부담이 크지 않게 배포할 수 있으며, 질병 바이오마커를 식별하고 전문가 수준의 의료 영상 분석을 더 많은 사람들에게 제공할 수 있을 것이라고 강조했습니다.
연구진은 이번 연구에서 NVIDIA T4 GPU와 NVIDIA V100 텐서 코어 GPU, 그리고 NVIDIA CUDA를 활용했습니다.
현재 의료 영상 전문가는 과중한 업무에 시달리는 경우가 많고, 환자들이 엑스레이, MRI, CT 스캔 등을 받기 위해 몇 주씩 기다려야 하는 상황이 자주 발생합니다.
SLIViT의 장점 중 하나는 대규모 환자 데이터를 빠르고 정확하게 분석할 수 있다는 점입니다. 새로운 의료 영상 기술이 도입되면, 모델을 새로운 데이터로 파인 튜닝해 향후 분석에 활용할 수 있습니다. 특히 의료 영상 전문가가 부족한 지역에서 이 모델을 쉽게 배포해 환자의 치료 결과에 큰 변화를 줄 수 있습니다.
SLIViT 이전에는 인간 전문가 수준으로 대량의 의료 스캔을 분석하는 것이 거의 불가능했지만, SLIViT를 통해 정확한 대규모 분석이 가능해졌습니다.
Halperin 박사는 “이 모델은 많은 수의 주석이 달린 이미지를 필요로 하지 않으면서도 질병 바이오마커를 효과적으로 식별할 수 있습니다. 이러한 바이오마커는 환자의 질병 진행을 이해하는 데 도움을 줄 것입니다.”라고 말했습니다. 그는 이어서 “SLIViT로 발견된 바이오마커를 기반으로 맞춤형 치료를 제공함으로써 환자의 삶을 획기적으로 개선할 수 있습니다.”라고 밝혔습니다.
UCLA 연구진이 Nature Biomedical Engineering에 발표한 논문의 수석 저자인 Oren Avram 박사는 이번 연구를 통해 두 가지 주요 결과가 도출됐다고 설명했습니다.
첫 번째로, 이 모델은 대부분 2D 스캔 데이터로 사전 학습되었지만, 3D 스캔에서도 정확히 질병 바이오마커를 식별할 수 있었습니다. 일반적으로 3D 데이터를 분석하려면 3D 데이터로 학습된 모델이 필요하지만, 3D 의료 데이터는 2D 데이터보다 훨씬 비싸고 접근성이 낮습니다.
UCLA 연구진은 상대적으로 쉽게 확보할 수 있는 2D 스캔으로 모델을 학습시킨 후 소량의 3D 스캔 데이터로 파인 튜닝함으로써 3D 전용 모델보다 뛰어난 성능을 확인했습니다.
두 번째로, 이 모델은 전이 학습 능력이 매우 우수했습니다. 다양한 장기와 이미징 기법의 데이터를 미세 튜닝해 여러 질병 바이오마커를 학습할 수 있었습니다.
Avram 박사는 “우리는 2D 망막 스캔, 즉 눈의 이미지를 활용해 모델을 학습시킨 뒤, 완전히 다른 장기인 간 MRI 데이터를 사용해 파인 튜닝했습니다. 처음엔 망막과 간, OCT와 MRI는 전혀 관련이 없어 보였지만, 기본적인 특징들이 공유되고 있다는 것을 발견했습니다. 이 공통된 특징이 모델의 추가 학습을 돕는 데 활용되었습니다.”라고 설명했습니다.
SLIViT와 관련된 UCLA의 최신 소식을 확인해 보세요.
2D 스캔으로 사전 학습된 딥러닝 모델을 통해 체적 의료 스캔에서 질병 위험 요소를 정확히 예측하는 SLIViT 백서도 확인할 수 있습니다.
GitHub에서 모델을 직접 확인해 보세요.
관련 리소스
- GTC 세션: BioPharma를 위한 의료용 이미징 AI 개발 가속화
- GTC 세션: 의료 이미지 분석을 위해 클라우드에서 새로운 딥러닝 모델을 개발하고 배포하기 위한 AI 전략 최적화하기
- GTC 세션: 의료 이미징 애플리케이션을 위한 AI 기반 하드웨어 솔루션 만들기
- NGC 컨테이너: VISTA-3D NIM
- SDK: MONAI 클라우드 API
- SDK: Clara Train
