향후 대규모 의료인공지능 모델 개발에 크게 기여 전망의료 인공지능 분야 최상위 학술지 ‘Medical Image Analysis’ 연구 결과 게재
  • ▲ DGIST 로봇및기계전자공학과 박상현 교수팀이 서버에서 의료영상 분석 중인 AI 모델을 확인하고 있다.ⓒDGIST
    ▲ DGIST 로봇및기계전자공학과 박상현 교수팀이 서버에서 의료영상 분석 중인 AI 모델을 확인하고 있다.ⓒDGIST
    DGIST(총장 이건우) 로봇및기계전자공학과 박상현 교수팀이 연합학습기법을 활용해 여러 의료기관에 분산된 의료영상 데이터를 효과적으로 학습해 신체 장기들을 정확하게 영역화할 수 있는 기술을 개발했다.

    스탠퍼드 대학 Kilian Pohl, Ehsan Adeli 교수팀과 공동연구를 통해 여러 병원에서 각기 다른 목적으로 사용되는 의료영상 데이터를 효과적으로 학습해 다양한 신체 장기를 정확하게 영역화할 수 있는 기술을 개발한 연구팀은 향후 대규모 의료인공지능 모델 개발에 크게 기여할 것으로 전망하고 있다.

    병원 등 각 의료기관에서는 다양한 목적으로 신체 각 부위의 장기 영상 데이터를 가지고 있다. 하지만 원활하고 정확한 의료행위를 위해 개별 기관에서 가지고 있지 못한 각 의료 데이터를 활용해 다중 장기 영역화를 위한 인공지능 모델 개발이 필요한데, 기존의 경우 각 의료기관의 영상 데이터를 중앙서버에 모아 학습하는 방식으로 진행해 데이터 유출에 민감한 의료 분야에서 실제로 적용하는 데 어려움이 있었다.

    각 기관마다 영상 활용을 위한 관심 영역이 달라 이를 분석해서 다양한 영역을 동시에 영역화하는 모델을 학습하는데 한계가 존재했다.

    이에 박상현 교수팀은 서로 다른 장기의 레이블을 가지는 분산 데이터들을 유출 없이 효과적으로 활용하기 위해 연합학습을 기반으로 한 다중 장기 영역화 모델을 제안했다. 연합학습을 활용할 경우 분산된 데이터를 직접 공유없이 상호 간 협력으로 AI 모델을 학습할 수 있다.

    그러나, 각 분산 데이터를 통해 획득한 정보를 취합하는 과정에서 정보의 손실로 ‘망각(Catastrophic Forgetting)화 현상’ 문제가 발생하며, 서로 다른 관심 영역에 대한 레이블을 가진 데이터들로 인해 학습이 불안정해지면서 모델이 구축되지 않거나, 학습속도가 느려지는 단점이 존재한다.

    연구팀은 이를 해결하기 위해 지식 증류(Knowledge Distillation) 기법을 제안했다. 먼저, 다중 헤드 U-Net 모델을 활용해 각 기관의 서로 다른 각 신체 장기 영상 데이터를 영역화하고, 공유 임베딩 학습으로 영역화된 영상을 공유하면서, 각 기관에서 AI 모델 학습 시 글로벌 모델과 사전 훈련된 특정 장기 영역화 모델의 지식을 함께 활용해 연합학습을 수행하도록 했다. 그 결과 기존에 제안된 모델보다 적은 파라미터 및 연산량을 활용하면서 성능은 더 우수한 새로운 기술을 개발했다.

    연구팀은 개발된 기술을 검증하기 위해 7개의 서로 다른 영역화 레이블을 가지는 복부 CT 데이터셋에 적용했다. 검증 결과 기존의 다중 장기 영역화 기법 모델이 연합학습에서 평균 66.82% 이하의 성능을 기록한 것에 비해 새로 개발한 기법은 평균 71.00%의 높은 성능을 기록했고, 공유 임베딩 학습으로 추론 시간도 단축했다.

    박상현 교수는 “이번 연구를 통해 여러 의료기관의 의료영상 데이터를 공유하지 않더라도 효과적으로 의료 AI를 학습하고 활용할 수 있도록, 각 관심 장기들의 영역화를 수행하기 위한 기술을 개발할 수 있었다”며 “새롭게 개발한 기술이 의료영상 분석에 큰 도움이 될 것으로 생각하며, 향후 대규모 의료인공지능 모델 개발에도 기여할 것으로 기대하고 있다”고 전했다. 

    한편, 이번 연구는 대구경북과학기술원 일반사업과 대구디지털혁신진흥원의 지원을 통해 수행했으며, 연구 결과는 그 우수성을 인정받아 의료 인공지능 분야 최상위 학술지인 ‘Medical Image Analysis (MedIA)’에 게재됐다.