.svg)
AI 솔루션 문의하기
의료영상 진단을 보조하는 인공지능을 위한 라벨링은 흔히 정상과 이상을 딱 잘라 구분하는 작업으로 여겨지기 쉽지만 실제 임상 현장에서는 하나의 영상을 보고도 여러 질환의 가능성을 함께 고려해야 하는 경우가 훨씬 많습니다. 숙련된 판독의조차 하나의 소견만으로 단정하기 어려운 영상을 마주하면 가능성이 높은 순서대로 여러 질환을 함께 나열하는 감별진단이라는 방식으로 판단을 정리하며 진단보조 인공지능을 위한 라벨링 역시 이러한 임상 현장의 사고방식을 그대로 반영해 단일한 정답을 넘어 여러 가능성과 그 순위를 함께 표시하는 방식으로 이루어져야 합니다. 하나의 확정된 답만을 요구하는 라벨링은 실제 진료 현장의 복잡한 판단 과정을 지나치게 단순화하는 결과로 이어질 수 있습니다.
이러한 이유로 의료영상 진단보조 데이터 라벨링은 정답을 하나로 좁히는 작업을 넘어 임상적으로 고려할 만한 여러 가능성을 폭넓게 담아내고 그 사이의 우선순위를 함께 표시하는 방향으로 설계되어야 합니다.
이 네 가지 요소가 모두 갖추어져야 인공지능이 단순히 하나의 답을 내놓는 수준을 넘어 판독의가 실제로 참고할 수 있는 사고의 과정 자체를 함께 학습할 수 있습니다.
감별진단 목록에 담긴 순위가 실제로 타당했는지를 확인하려면 이후 조직검사나 추가 정밀검사를 통해 밝혀진 최종 확진 결과와 대조하는 작업이 함께 이루어져야 하며 이렇게 확인된 결과는 다시 감별진단 순위를 매기는 기준을 다듬는 데 활용됩니다. 초기에 낮은 순위로 평가되었던 가능성이 실제로는 정답이었던 사례가 반복적으로 발견된다면 이는 순위를 매기는 기준 자체를 재검토해야 한다는 신호로 받아들여집니다.
판독의가 느끼는 확신의 정도는 본래 주관적인 감각에 가까워 이를 숫자나 등급으로 정확히 옮기는 일 자체가 쉽지 않으며 같은 정도의 확신이라도 판독의에 따라 표현하는 수치가 다르게 나타날 수 있어 이러한 차이를 보정하는 별도의 기준이 함께 마련되어야 합니다. 여러 판독의의 확신도 표기 습관을 비교하고 조율하는 과정을 거치지 않으면 확신도라는 정보 자체가 오히려 일관성 없는 잡음으로 작용할 위험이 있습니다.
같은 영상을 두고 여러 전문가의 감별진단 순위가 서로 다르게 나타나는 경우는 드물지 않게 발생하며 이러한 상황을 다루는 별도의 절차가 필요합니다.
이러한 절차를 거치지 않으면 의견이 갈리는 애매한 사례들이 데이터에서 통째로 배제되어 정작 인공지능이 가장 많은 도움을 줄 수 있는 어려운 사례에 대한 학습 기회를 놓치게 될 위험이 있습니다.
발생 빈도가 낮은 희귀 질환은 데이터 안에서 자연스럽게 적은 비중을 차지할 수밖에 없지만 이러한 질환일수록 조기에 발견하지 못했을 때의 위험이 크기 때문에 단순히 발생 빈도에 비례해 데이터를 구성하기보다 희귀하더라도 중요한 질환은 의도적으로 더 많은 사례를 수집해 반영하는 균형 잡힌 접근이 필요합니다. 흔한 질환에 치우친 데이터로 학습된 인공지능은 정작 놓치면 안 되는 드문 질환 앞에서는 무력해질 수 있으며 이러한 위험을 줄이기 위해 여러 의료기관이 협력해 희귀 사례를 함께 모으는 방식이 활용되기도 합니다.
여러 가능성과 확신도를 함께 제시하는 방식은 판독의가 인공지능의 판단을 참고 자료로 활용하되 최종 결정은 스스로 내릴 수 있는 여지를 남겨준다는 점에서 하나의 확정된 답만 제시하는 방식보다 실제 임상 현장에 더 적합한 형태로 평가받고 있습니다. 인공지능이 놓칠 수 있는 가능성까지 함께 나열해 두면 판독의가 그 목록을 참고하며 자신의 판단을 다시 한번 점검하는 계기로 활용할 수 있습니다.
의료영상 진단보조 라벨링이 실제로 쓸모 있으려면 세 가지 축이 함께 갖추어져야 합니다. 첫째는 단일 정답 대신 여러 가능성을 순위와 함께 담아내는 감별진단 구조이고, 둘째는 판독의 사이의 확신도 표현 차이를 보정하는 조율 절차이며, 셋째는 흔한 질환에 밀려 데이터에서 소외되기 쉬운 희귀 질환을 의도적으로 보완하는 수집 전략입니다. 이 세 축이 함께 작동할 때 비로소 진단보조 인공지능은 판독의의 판단을 실질적으로 돕는 도구가 될 수 있습니다.
.svg)
.svg)
