POSTECH 김철홍 교수 연구팀 “갑상선 암, 인공지능으로 진단한다”

POSTECH(포항공과대학교, 총장 김무환) 전자전기공학과‧IT융합공학과‧기계공학과 김철홍 교수·박별리 박사 연구팀은 가톨릭대 서울성모병원 임동준 교수‧하정훈 교수 연구팀, 부산대 김지수 교수와 공동연구를 통해 실제 갑상선 악성 결절 환자와 양성 결절 환자로부터 광음향 영상을 획득, 인공지능으로 분석했다. 

이번 연구는 세계적 권위지 ‘캔서 리서치(Cancer Research)’에 게재됐다.

현재 갑상선 결절 환자에 대한 진단은 초음파 영상을 이용한 미세 바늘 흡입 생검(FNAB, fine-needle aspiration biopsy)을 이용go 수행된다. 

하지만 FNAB의 약 20%가 정확하지 않다는 보고가 있으며, 그로 인해 불필요한 검사가 반복되는 문제가 있다. 이러한 문제를 극복하기 위해 빛을 이용해 초음파 신호를 얻는 광음향 영상법이 적용됐다. 

빛(레이저)을 환자의 갑상선 결절에 쬐게 되면 갑상선과 결절 부위에서 초음파 신호가 발생한다. 이 신호를 획득해 처리하면 갑상선과 갑상선 결절의 광음향 영상을 얻을 수 있다. 

이때 여러 색의 빛을 이용해 광음향 신호를 획득하면 갑상선 및 갑상선 결절의 산소포화도 정보를 얻을 수 있다

연구팀은 악성 결절의 산소포화도가 정상 결절의 산소포화도보다 낮다는 점에 착안해 갑상선 악성 결절 환자(23명)와 정상(양성) 결절 환자(29명)를 광음향 초음파로 촬영, 영상을 획득하고 분석했다. 

다양한 색의 빛을 이용해 환자의 갑상선 결절에서 광음향 영상을 얻고 이를 통해 산소포화도 등의 정보를 계산했다. 

이것을 머신러닝 기법으로 분석해 갑상선 결절이 악성인지 양성인지를 성공적으로 자동 분류했다. 1차 분류 결과에서는 악성을 악성으로 분류하는 민감도가 78%, 양성을 양성으로 분류하는 특이도가 93%를 보였다.

2차로 머신러닝 기법으로 얻어진 광음향 분석 결과와 병원에서 사용되는 초음파 영상 기반의 초기 검진 결과를 결합했다. 

여기서도 83%의 민감도와 93%의 특이도로 악성 갑상선 결절을 구분해 낼 수 있음을 확인했다.

한 발 더 나가 3차 분석에서 민감도를 100%로 유지할 때, 특이도는 55%가 나오는 결과를 얻었다. 이는 기존 초음파를 이용한 갑상선 결절 초기 검사의 특이도인 17.3%보다 (민감도는 98%) 약 3배 높은 수치였다.

결과적으로 악성이 아닌 양성 결절을 양성 결절이라고 제대로 진단할 확률이 3배 이상 높아졌으며 이는 과잉 진단 및 불필요한 생검과 반복검사를 획기적으로 줄여, 과도한 의료비용을 낮출 수 있음을 보여준다.

김철홍 교수는 “이 연구는 최초로 갑상선 결절에 대한 광음향 영상 획득해 머신러닝 기법을 적용한 악성 결절 분류라는 점에서 가치를 지닌다. 연구결과를 볼 때, 갑상선 환자에 대한 초기 검사에서 불필요한 생검을 최소화 할 수 있을 뿐만 아니라 이 기술은 유방암 등 다양한 다른 암에도 적용될 수 있다”고 말했다.

임동준 교수는 “광음향 영상을 기반으로 한 초음파기기는 최근 건강검진이나 진료 중에 발견되는 많은 갑상선 결절에서 조직검사 횟수를 줄이고 효과적으로 갑상선암을 진단하는 데 큰 도움이 될 것”이라며 “추가적 임상연구를 통해 많은 갑상선 결절 환자에게 쉽게 적용될 수 있는 의료기기로 개발할 수 있다”고 덧붙였다.

한편, 이 연구는 한국연구재단, 교육부 대학중점연구소지원사업 의료기기혁신센터(MDIC), 과학기술정보통신부 인공지능대학원지원, BK21 FOUR 프로젝트의 지원으로 수행됐다.