최장환 교수팀, 인공지능으로 원자료(Raw Data) 학습해 질병 진단 앞당기는 기술 개발
최장환
휴먼기계바이오공학부
레이블이 없는 원자료로부터 가상의 병변 픽셀 생성... 획기적 성능 확보
국내 대표 7개 전문병원 6,000여 명 환자 데이터 통해 철저한 검증
지난 12월 해외 기업에 성공적으로 기술 이전... 해외 사업화 확장 예정
휴먼기계바이오공학부 최장환 교수팀(Medical AI & Computer Vision Lab)이 인공지능 자기지도학습(Self-supervised Learning)을 기반으로 의료영상 분석을 위한 ‘특징 학습(Representation/feature Learning)’ 모델을 개발했다. 전문 의료진의 데이터 라벨링 작업 없이도 딥러닝 기술을 활용해 원자료(Raw Data)로부터 다량의 레이블을 생성하여 의료영상 분석에 활용, 질병의 진단을 앞당길 수 있게 됐다. 연구 성과를 담은 논문 “Unsupervised Visual Representation Learning Based on Segmentation of Geometric Pseudo-shapes for Transformer-based Medical Tasks”은 세계적 학술지 <IEEE Journal of Biomedical and Health Informatics (2019 Journal Impact Factor Rank = 1/27 in Medical Informatics)>에 발표됐다.
의료영상 분석에 있어 딥러닝이 부각되고 있는 이유는 기존 인공지능 기술이 가지고 있던 성능의 한계를 크게 뛰어넘기 때문이다. 의료영상 데이터를 이용하여 질환을 확인하고 진단하는 의료기기들이 개발되고 있으나, 대부분의 경우 정확한 영상 분석을 위해 전문 영상의학과 의료진이 직접 어노테이션(annotation)한 골드 스탠다드 레이블 데이터(gold-standard label data)를 기반으로 한 지도학습(supervised learning)을 활용하고 있다. 이를 위해서는 방대한 양의 골드 스탠다드 레이블 데이터가 필요하며 이는 전문의의 상당한 시간과 비용이 초래된다는 한계를 지닌다.
최장환 교수팀은 레이블이 없는 원자료(Raw Data)로부터 가상의 병변 픽셀들을 생성한 후 자동으로 다량의 레이블을 생성하여 지도학습에 이용하는 비지도학습 기법을 개발했다. 제안 기술의 성능은 국립암센터-NIA의 인공지능 학습용 암 데이터 구축사업의 일환으로 국내 대표 7개 전문병원에서 얻어진 6000여 명의 환자데이터를 통해서 철저히 검증됐으며, 10% 이하의 레이블만을 활용하였음에도 기존 최신 CNN 또는 트랜스포머(transformer) 기반 모델들보다 뛰어난 성능을 확보할 수 있었다. 또한, 해당기술은 지난 12월 해외 기업에 성공적으로 기술이전하였으며, 이를 토대로 해외로 사업화 영역을 확장해 나갈 계획이다.
최장환 교수팀은 4단계 두뇌한국21 사업, 인공지능융합대학원사업, 범부처의료기기지원사업, 연구재단 중견연구, 중소기업기술혁신개발사업, 바이오의료기술개발사업 등의 지원을 받아 의료인공지능 연구를 활발히 수행하고 있다. 그 결과 Machine Learning: Science and Technology, Journal of Orthopaedic Research, IEEE Transactions on Biomedical Engineering, IEEE Transactions on Radiation and Plasma Medical Sciences를 포함한 관련 분야 권위지에 2022년 한 해 동안 12편의 논문을 게재하며 주목을 받았다.