.svg)
AI 솔루션 문의하기
사진 속 고양이와 강아지를 구분하는 라벨링은 난이도가 높지 않아 누구나 쉽게 할 수 있습니다. 하지만 흉부 X-ray에서 결절을 표시하거나 병리 슬라이드에서 종양 경계를 그리는 일은 다릅니다. 이 판단은 해당 분야를 전공한 의료진만 정확히 내릴 수 있고, 잘못된 라벨 하나가 모델을 거쳐 실제 오진으로 이어질 가능성까지 지니고 있습니다. 그렇기 때문에 의료영상은 일반적인 이미지 이미지와 다른 학습데이터 구축이 중요합니다.
일반 라벨러가 가이드라인을 보고 작업한 뒤 전문가가 검수하는 방식은 의료영상에서는 통하지 않는 경우가 많습니다. 판독 자체를 전문의가 직접 수행하고, 그 판독 결과를 데이터의 정답으로 삼는 구조가 기본이 됩니다. 전문의 인력은 한정되어 있어 데이터 구축 속도가 인력 확보 여부에 크게 좌우되며, 여러 병원이나 기관의 전문의가 함께 참여하는 방식으로 이 제약을 완화하는 경우도 있습니다. 전문의별로 판독에 들이는 시간과 집중도가 다르다는 점도 데이터 품질에 영향을 미치는 만큼, 판독 일정과 분량을 무리하게 잡지 않는 관리도 함께 필요합니다.
같은 영상을 두고도 전문의 사이에 판독이 갈리는 경우가 실제로 자주 발생합니다. 결절의 크기를 다르게 측정하거나, 양성과 악성 판단이 엇갈리는 사례가 대표적입니다. 여러 전문의에게 같은 영상을 중복 판독하도록 배정하고, 의견이 갈리는 사례는 합의 판독 절차로 넘겨 최종 라벨을 확정하는 방식이 이 문제를 다루는 기본 틀입니다. 합의에 이르지 못한 사례는 데이터셋에서 제외하거나, 판독 난이도가 높은 참고 사례로 별도 분류해 두는 방안도 있습니다.
흔한 질환의 영상은 상대적으로 쉽게 모이지만, 발생 빈도가 낮은 희귀 소견은 데이터를 충분히 확보하기 어렵습니다. 이 상태로 학습하면 모델이 흔한 소견에는 높은 정확도를 보이면서도 희귀 소견은 제대로 인식하지 못하는 불균형이 생깁니다. 희귀 소견 데이터를 별도로 수집하는 경로를 마련하고, 부족한 수량은 여러 기관에서 협력해 모으는 방식으로 이 격차를 줄여갈 수 있습니다. 데이터 수량이 적은 소견일수록 한 건 한 건의 판독 정확도가 전체 품질에 미치는 영향도 커집니다. 데이터가 충분히 모일 때까지 기다리기보다, 적은 수량이라도 우선 확보해 판독 기준을 먼저 세워 두면 이후 데이터가 추가될 때 일관된 기준으로 라벨을 이어갈 수 있습니다.
같은 질환을 촬영해도 병원마다 사용하는 장비와 촬영 프로토콜이 다르면 영상의 화질과 특성도 달라집니다. 한 기관의 장비로 수집한 데이터로만 학습한 모델은 다른 기관의 영상에서 성능이 떨어지는 경우가 흔합니다. 여러 기관, 여러 장비로 수집한 영상을 함께 학습데이터에 포함시키고, 장비별 특성 차이를 데이터 구축 단계에서 기록해 두는 방식은 이런 편차를 완화하는 데 도움이 됩니다. 장비 정보를 기록해 두면 이후 특정 장비에서 성능이 떨어지는 원인을 추적할 때도 참고할 수 있습니다. 신규 장비를 도입한 기관의 데이터는 기존 장비로 모은 데이터와 별도로 표시해 두고, 학습 초기에는 소규모로 반영해 성능 변화를 지켜보는 방식도 고려할 만합니다.
의료영상 파일에는 환자 이름, 생년월일, 촬영 병원 같은 정보가 메타데이터로 함께 담겨 있는 경우가 많습니다. 이 정보를 지우지 않은 채로 데이터를 다루면 개인정보보호법 위반으로 이어질 수 있습니다. 영상 파일의 메타데이터를 자동으로 제거하고, 영상 자체에 노출될 수 있는 신체 특징이나 문신 같은 식별 요소까지 함께 검토하는 절차를 갖춰야 합니다. 비식별화 작업이 끝난 뒤에도 원본과 대조해 누락된 정보가 없는지 다시 확인하는 순서가 필요합니다. 비식별화 담당 인력과 판독을 진행하는 전문의를 서로 다른 인력으로 두면, 판독 과정에서 환자 정보가 함께 노출되는 상황도 줄일 수 있습니다.
판독이 끝난 데이터라도 시간이 지나 새로운 진단 기준이 나오거나 오류가 뒤늦게 발견되는 경우가 있습니다. 이미 구축된 데이터셋을 주기적으로 표본 추출해 재판독하고, 처음 판독과 다른 결과가 나오면 원인을 분석하는 절차를 마련해 두면 데이터셋의 신뢰도를 지속적으로 관리할 수 있습니다. 재판독은 처음 판독을 맡았던 전문의와 다른 전문의가 진행해야 결과의 객관성을 유지할 수 있습니다.
의료영상 학습데이터를 구축하려면, 우선 전문의 확보 방안과 중복 판독을 적용할 범위부터 정해야 합니다. 이를 바탕으로 희귀 소견 수집 경로, 다기관 장비 편차를 다루는 방식을 설계하고, 비식별화 절차와 사후 재판독 주기도 함께 마련해야 합니다. 여러 병원이 협력하는 구조라면 기관 간 판독 기준을 통일하는 작업도 초기 단계에서 함께 다뤄야 합니다.
의료영상 학습데이터에서 라벨은 표시 하나로 그치지 않고 그 자체로 하나의 진단 판단이 됩니다. 일반적인 이미지 라벨링에서는 오류 하나가 인식률 몇 퍼센트의 차이로 남지만, 의료영상에서는 그 오류가 특정 소견을 놓치거나 있지도 않은 소견을 만들어내는 모델로 이어질 수 있습니다. 데이터를 구축하는 사람은 사진을 정리하는 역할뿐만 아니라 진단 기준을 세우는 역할까지 함께 맡고 있다는 점을, 데이터 구축 전 과정에서 계속 염두에 두어야 합니다.
.svg)
.svg)
