의료영상과 인공지능 개요

 

Data in Healthcare: Value Chain

• 의료 인공지능의 여러 분야의 핵심: 의료 데이터에서 얼마나 가치있는 정보를 뽑아낼 수 있는가?
• Data 단계: 영상이나 환자 정보 등 단순한 데이터 획득
• Screening 단계: 어떤 질병인지는 모르나 어딘가에 문제가 있는것 같다. 정상인지 아닌지를 판단하는 단계. 스크리닝 단계부터 의료 전문가의 판단이 추가됨
• Diagnosis 단계: 병변이 실제로 어떠한 질병과 관련이 있는 건지 진단하는 단계. 전문가의 개입이 더 많아짐
• Treatment 단계: 질환에 관련해서 어떠한 치료 방법을 써야 하는지 판단
• 의료 전문가의 판단없이 Screening, Diagnosis, Treatment 세가지 단계를 수행하고자 하는 것이 의료 인공지능의 목표임

 

의료 인공지능 시장

• 최근들어 의료 인공지능 시장과 사람들의 관심이 급격하게 높아짐
• 2018년도까지는 스크리닝 용도로 많이 사용됨
• 현재의 연구 추세는 의료 인공지능으로 진단까지 하는 것임
• 특정 분야에서는 의사보다 인공지능의 진단율이 더 높임
• 최종적으로 Treatment까지 하려고 함
  • Treatment 목표로 하는 연구의 경우 챗봇을 주로 사용함
  • 환자가 자신의 증상이나 데이터를 챗봇에게 주면 챗봇이 분석하여 진단을 내리고, 기존에 의사들이 내린 판단들을 조합하여 어떤 치료법이 필요한지 알려주는 것이 목표임

 

의료인공지능의 발전과정

• 1980부터 데이터의 디지털화가 시작됨
  • 크리니컬 리포트의 전산화
  • 의료 데이터의 표준화(DICOM으로 데이터 저장)
• 2000년도부터 의료 데이터 가공 시도
• 2018년도부터 머신러닝 기법 사용
  • 데이터 퀄리티 높이기
  • 시각화 툴 개발로 Screening 작업
• 현재 스크리닝에서 Diagnosis 단계로 넘어옴
• 향후 치료까지 판단할 수 있는 인공지능이 개발 될 것이다(로봇 수술 포함)

 

의료 영상과 Modalities

• 촬영하는 Modality에 따라 다양한 영상이 만들어짐
• 질환마다 사용되는 Modality가 다름
  • X-ray, CT, MRI: 골격이나 구조 확인
  • PET: 기능적으로 어떻게 연결되어있는지?
  • US: 장기들의 움직임 확인
  • 그밖에 Scinti, Optical, SPECT 등이 있음
• Modality에 따라 영상 특성에 맞는 인공지능을 개발해야함
• 한 개의 Modality만 사용하는게 아니라 여러 개의 Modality 를 같이 사용하기도 함
• 이렇게 데이터의 다양성 때문에 의료 인공지능이 복잡하고 어려움
• 의료 인공지능 분야가 복잡하고 넓은 또다른 이유는 질환과 부위가 다양하기 때문임
• 질환 또한 복합적으로 발생할 수 있음
• 의료 인공지능 연구 시 특정 Modality 또는 질환을 목표로하여 연구함

 

의료인공지능 세부 분야

https://medicalfuturist.com/top-artificial-intelligence-companies-in-healthcare/

• Scheduling: 여러 환자를 스케쥴을 관리하고 수술 날짜 조정
• 이미지 해상도 높이기
• Visualization 강화
• 이미지 해석
• Segmentation: 이미지 분할
• Registration: Modality 정보 합치기 

 

실제 사용되는 의료인공지능 기술

• 의료장비로 촬영할때 이미지의 해상도를 높이는 기술
• 폐암이나 안구의 병을 스크리닝 혹은 Detection
• 소프트웨어 혹은 앱 플랫폼 등으로 개발됨

 

AI vs Human Intelligence 

• 이전에는 전문가들이 인공지능보다 더 잘 진단했음
• 현재는 특정 분야에서 인공지능의 진단능이 전문가를 넘어섬
• 앞으로 성능이 더 올라갈 것으로 예상됨

---

 

인공지능(AI, Artificial Intelligence)이란?

https://live.lge.co.kr/live_with_ai_01/

• 기계나 컴퓨터가 사람의 지능을 구현한 것
• 기계가 사람의 지능을 따라할 수 있도록 학습을 해야하는데 이때 사용되는 방법이 머신러닝(기계학습)이다
• 머신러닝은 말 그대로 기계가 무언가를 배울 수 있도록 만드는 기술
• 머신러닝의 기술 중 뉴럴 네트워크를 사용한 방법이 딥러닝이다
• GPU 등 컴퓨팅 파워가 늘어나면서 딥러닝의 개발이 발전되고 성능이 올라가고 있다

 

인공지능의 발전

https://itwiki.kr/w/%EC%9D%B8%EA%B3%B5%EC%A7%80%EB%8A%A5

• 1950년: 다트머스 회의에서 처음으로 '인공지능'이라는 단어를 사용함
• 1958년: 사람의 뉴런을 흉내낸 Perceptron이라는 기법이 개발됨. 이 당시 대부분의 AI 기술은 Rule-based system임
• 1969년(1st AI winter): Rule-based AI는 성능의 한계가 있음. XOR 문제 등 복합적인 문제는 해결할 수 없음
• 1986년: 여러개의 Perceptron을 사용한 Multi-layer Perceptron 기법으로 비선형 문제를 해결함
• 2nd AI winter: 비선형 문제를 해결할 수 있지만 실생활에 쓸 수 있는 시스템을 개발하기엔 많은 문제점이 있었음. 특히 데이터가 적고 데이터를 저장할 수 있는 공간도 없음
• 1995년: 다른 머신러닝 기법들이 발전함 (SVM)
• 2006년: 딥러닝 기법이 개발되기 시작함. 뉴럴 네트워크 기반의 연구에 빅데이터가 적용됨

 

의료분야에서의 머신러닝 Vs. 딥러닝

• 머신러닝 (예시)
  • 데이터에서 전처리를 통해 특정한 영상을 뽑아냄
  • 전문가의 사전 지식을 기반으로 머신러닝을 사용해 필요한 정보들을 추출(Texture, Histogram, Shape)
  • 뽑아낸 정보들 중 필요한 정보를 선택
  • 분류기 학습
• 딥러닝(예시)
  • 전처리 단계를 거치긴 하지만 이상적으로는 데이터 전처리나 전문가의 사전지식 없이 대량의 데이터로 정보를 추출하고 분류함 
  • 최대한 사람의 개입이 없이 동작하도록 개발됨
• 기존의 머신러닝도 성능이 좋으나 데이터가 많을 수록 딥러닝의 퍼포먼스가 급격하게 늘어남

 

딥러닝을 이용한 의료 시스템의 예시

• 당뇨 망막병
  • 당뇨에 걸리면 안구의 망막에 문제가 생김
  • 안구 영상을 input으로 넣고 CNN을 사용하여 망막의 상태를 분류
  • 딥러닝의 학습 과정은 블랙박스지만 의료 인공지능에선 안전한 진단을 위해 어떤 과정을 통해 진단이 되었는지를 알아야 함
  • 해석가능한 딥러닝 모델의 필요성이 대두됨