알리바바, 복부 질환 약 150종 탐지하는 의료 AI 오픈소스 공개

들어가며

알리바바의 연구 조직 다모 아카데미가 의료 영상 분석을 위한 비전언어 모델 ‘다모 레이더’를 오픈소스로 공개했다. 이 모델은 조영제를 사용한 CT 영상을 분석해 악성 종양을 포함한 복부 질환과 이상 소견 약 150종을 식별하도록 설계됐다. 특정 암이나 한 개 장기에만 초점을 맞추기보다, 여러 장기와 임상 소견을 하나의 모델로 처리하려는 접근이다.

핵심 내용

• 조영 CT 분석: 조영제를 사용한 CT 검사를 입력으로 받아 복부 영상을 폭넓게 분석한다.
• 다양한 질환 범위: 약 150종의 복부 상태를 대상으로 하며, 연구 평가에서는 146개 임상 소견을 다뤘다. 악성 종양도 포함된다.
• 영상과 보고서 결합 학습: CT 영상과 이에 대응하는 임상 보고서를 짝지어 학습해 영상 정보와 의료 문맥을 함께 활용한다.
• 실제 검사 기반 평가: 약 4만 건의 실제 검사에서 146개 소견에 대한 평균 AUC 0.913을 기록했다. AUC 1.0은 완벽한 판별을 뜻한다.
• 영상의학과 전문의와 비교: 연구진은 비교 대상이 된 영상의학과 전문의 대부분보다 모델의 성능이 높았다고 보고했다. 그러나 이는 의사를 대체하거나 감독 없이 진단할 수 있다는 의미는 아니다.

주목할 이유

의료 영상 AI는 그동안 특정 종양이나 단일 장기의 이상을 찾는 좁은 과제에 맞춰 개발되는 경우가 많았다. 다모 레이더는 여러 장기와 질환을 하나의 시스템에서 다루는 ‘범용 의료 영상 모델’이라는 방향을 보여준다. 여러 의료기관에서 성능이 재현된다면 영상의학과 전문의의 초기 판독을 보조하고, 질환별 전용 시스템을 번갈아 사용하는 부담을 줄일 가능성이 있다.

오픈소스 공개는 연구 측면에서도 의미가 있다. 연구자와 의료기관은 모델의 강점과 실패 조건을 직접 살펴보고, 지역별 환자 데이터나 서로 다른 CT 장비에서 성능을 검증할 수 있다. 폐쇄형 제품에만 의존하는 것보다 외부 연구자가 모델의 한계를 점검하기 쉬워진다는 점이 장점이다.

결과를 해석할 때의 한계

평균 AUC는 전반적인 구분 능력을 요약한 지표일 뿐, 환자에게 돌아가는 임상적 이익을 직접 나타내지 않는다. 민감도와 특이도, 위양성 비율, 실제 진료 의사결정에 미치는 영향도 이 수치만으로는 알 수 없다. 제공된 자료에는 평가 대상의 세부 구성, 질환별 성능, 오류 유형, 전향적 임상시험 결과도 제시되지 않았다.

의료 영상 데이터는 지역, 장비, 촬영 조건, 판독 관행, 질환 유병률에 따라 달라질 수 있다. 한 연구에서 좋은 결과를 얻었다고 해서 다른 병원에서도 같은 성능이 보장되는 것은 아니다. 실제 진료에서는 환자의 병력과 증상, 다른 검사 결과를 함께 고려해 자격을 갖춘 의료진이 모델의 출력을 해석해야 한다.

따라서 다모 레이더는 임상 보조 가능성을 가진 개방형 연구 모델로 이해하는 것이 적절하다. 자율 진단 시스템으로서의 가치는 독립적인 재현 연구, 여러 기관에서의 검증, 의료용도에 대한 규제기관의 평가에 달려 있다.

출처: Hacker News