.svg)
AI 솔루션 문의하기
의료영상 진단을 보조하는 인공지능은 흔히 한 장의 영상을 보고 이상 여부를 판단하는 방식으로 개발되지만 실제 임상에서는 이전 영상과 비교해 병변이 커졌는지 줄었는지 혹은 새로운 변화가 나타났는지를 함께 살피는 경우가 훨씬 많습니다. 이렇게 시간에 따라 촬영된 여러 장의 영상을 비교하며 변화의 흐름을 읽어내는 진단 방식은 단일 영상만을 다루는 학습데이터로는 충분히 재현할 수 없어 같은 환자의 서로 다른 시점 영상을 짝지어 그 변화를 표시하는 시계열 라벨링이 별도로 요구됩니다. 병변의 크기가 같아 보이더라도 이전 영상과 비교했을 때 성장 속도가 달라졌다면 그 자체가 중요한 진단 정보가 될 수 있어 이러한 시간의 흐름을 담아내는 작업은 단일 영상 라벨링과는 전혀 다른 접근을 요구합니다.
이러한 특성 때문에 시계열 데이터를 다루는 라벨링 작업은 각 시점의 영상을 개별적으로 표시하는 것을 넘어 두 시점 사이의 변화 자체를 하나의 정보로 기록하는 방식으로 이루어져야 합니다.
이 네 가지 작업이 정확하게 이루어지지 않으면 서로 다른 환자의 영상을 비교하거나 촬영 조건의 차이를 병의 변화로 잘못 해석하는 오류로 이어질 수 있어 시계열 라벨링에서는 이 짝짓기 단계의 정확성이 무엇보다 중요하게 다루어집니다.
같은 부위를 촬영하더라도 병원마다 사용하는 촬영 장비의 제조사나 설정값이 다르면 영상의 밝기와 대비 그리고 해상도에 차이가 나타날 수 있어 여러 병원에서 수집한 데이터를 하나로 통합하려면 이러한 장비별 차이를 표준화하는 작업이 먼저 이루어져야 합니다. 이러한 표준화 없이 데이터를 그대로 섞어서 학습에 사용하면 인공지능이 실제 병변의 특징 대신 특정 장비가 만들어내는 화질 특성을 학습해 버리는 문제가 발생할 수 있습니다.
시계열 영상에서의 변화를 하나의 판독자만이 판단하면 그 사람의 주관적인 기준이 그대로 데이터에 반영될 위험이 있어 여러 명의 판독자가 같은 시계열 영상을 각각 독립적으로 평가한 뒤 그 결과를 비교하고 합의하는 절차가 함께 이루어져야 합니다. 특히 변화의 정도가 미세해 판단이 갈릴 수 있는 경계 사례에서는 이러한 다수 판독자의 합의 과정이 데이터의 신뢰도를 좌우하는 결정적인 역할을 합니다.
여러 병원이 함께 참여해 데이터를 구축하는 경우 각 기관의 데이터를 통합하는 과정에서 여러 단계의 절차가 필요합니다.
이러한 절차를 거치지 않고 여러 기관의 데이터를 단순히 합치기만 하면 겉보기에는 데이터의 양이 늘어난 것처럼 보이지만 실제로는 일관성이 떨어지는 데이터가 뒤섞여 오히려 학습 품질을 해치는 결과로 이어질 수 있습니다.
같은 소견이라도 의료진마다 사용하는 표현이 조금씩 다를 수 있어 라벨링 과정에서 이러한 표현을 국제적으로 통용되는 표준 용어 체계로 변환해 기록하면 서로 다른 병원이나 국가에서 만들어진 데이터라도 동일한 기준으로 비교하고 통합할 수 있는 토대가 마련됩니다. 표준화된 용어 없이 각 기관이 자체적인 표현을 그대로 사용하면 같은 의미를 지닌 소견이 서로 다른 라벨로 기록되어 데이터의 일관성이 크게 떨어질 위험이 있습니다.
시간에 따른 변화를 학습한 인공지능은 단순히 현재 영상에 병변이 있는지 없는지를 판단하는 수준을 넘어 그 병변이 어떤 속도로 진행되고 있는지 그리고 치료에 반응하고 있는지까지 함께 판단할 수 있는 가능성을 지니게 됩니다. 이는 단일 시점의 영상만으로는 결코 얻을 수 없는 정보로 시계열 데이터가 지닌 독특한 가치를 잘 보여줍니다.
의료영상 하나만으로는 알 수 없던 것들이, 어제와 오늘 그리고 지난달 영상을 나란히 놓고 보는 순간 비로소 선명해집니다. 여러 병원과 여러 장비를 거쳐 쌓인 이 시계열 데이터는 사람의 몸이 시간에 따라 어떻게 변화하는지를 인공지능이 이해할 수 있도록 돕는 가장 정직하지만 가장 손이 많이 가는 방식의 기록입니다.
.svg)
.svg)
