알리 DAMO LiON, 간 악성 병변 누락 사례 15건 발견 지원

들어가며

간 영상 판독에서 가장 어려운 병변은 항상 큰 종양만을 의미하지 않습니다. 크기가 약 1cm이고 정상 간 조직과의 대비가 낮거나, 흔하지 않은 해부학적 위치에 있는 병변은 조영 CT에서도 놓치기 쉽습니다. 알리바바 다모아카데미는 중국 의과대학 부속 성징병원 등과 함께 이런 병변의 발견을 돕는 AI 모델 DAMO LiON을 개발했습니다. 관련 연구는 국제 학술지 Nature Medicine에 게재됐다고 자료는 설명합니다.

모델이 겨냥한 문제

간의 악성 종양에는 간에서 시작된 원발성 간암뿐 아니라 대장암과 췌장암 등에서 전이된 간 전이도 포함됩니다. 간 전이의 경우 의료진의 관심이 원발 병변에 집중되면서 간 내부의 작은 이상을 놓칠 가능성이 있습니다. 간경변, 지방간, 수술 후 변화와 복잡한 해부 구조도 판독을 어렵게 만드는 요인입니다.

DAMO LiON은 의사를 대체하는 독립 진단기가 아니라 보조 판독 도구로 설계됐습니다. 자료에 따르면 모델은 의심 병변과 간 전체의 관계를 파악하는 동시에 국소적인 질감과 경계 정보를 보존합니다. 또한 조영 CT의 여러 시기 영상을 결합해 특정 시기에만 희미하게 나타나는 픽셀 수준의 변화를 포착합니다. 연구진이 말한 ‘작고, 희미하며, 치우친’ 병변을 주요 대상으로 삼는 방식입니다.

실제 임상 적용 결과

연구팀은 모델을 병원의 일상 판독 과정에 배치하고 2개월간 전향적 실제 임상시험을 진행했습니다. 이 기간 DAMO LiON은 1만 명이 넘는 환자의 조영 CT를 분석했고, 초기 판독에서 발견되지 않았던 악성 종양 15건의 확인을 지원했습니다. 대부분은 약 1cm 크기의 병변이었으며, 일부 환자는 수술이나 약물 치료를 제때 받을 수 있었고 치료 계획도 바뀌었습니다.

자료는 비교 실험에서 악성 종양 식별 성능이 비교 대상 영상의학과 의사보다 높았다고 전합니다. 의사가 AI를 함께 사용했을 때 판독 시간은 27% 감소했고 악성 종양 민감도는 11.5% 향상됐습니다. 초급 의사도 AI 지원을 통해 숙련 의사 수준에 도달한 것으로 보고됐습니다. 다만 이 수치는 특정 연구와 배치 환경에서 나온 결과이므로 모든 병원과 환자군에 동일하게 적용된다고 해석해서는 안 됩니다.

임상 책임은 의료진에게

도입 방식에서 중요한 점은 AI가 최종 판단을 내리지 않는다는 것입니다. AI 결과와 의사의 초기 판단이 다르면 해당 사례를 숙련 영상의학과 의사가 재검토하고, 필요할 경우 다학제 팀이 논의합니다. AI는 누락 가능성을 알리는 보조자 역할을 맡고 최종 진단과 치료 결정은 의료진이 담당하는 구조입니다.

다모아카데미는 이전에도 췌장암, 위암, 대장암 영상 선별 모델을 개발해 왔습니다. DAMO LiON은 의료 영상 AI의 적용 범위를 선별에서 진단 보조로 확장한 사례입니다. 앞으로는 병원과 장비가 달라져도 성능이 유지되는지, 위양성을 어떻게 관리할지, AI와 의사의 판단이 충돌할 때 책임을 어떻게 정할지가 핵심 과제로 남습니다.

향후 다기관·장기 연구에서 결과가 재현된다면 DAMO LiON은 작고 비전형적인 간 병변을 다시 확인하는 세컨드 리더로 활용될 수 있습니다. 현재 단계에서는 자율 진단 시스템보다 임상 의사결정을 지원하는 기술로 보는 것이 타당합니다.

출처: 퀀텀비트