PACS 사일로에서 다중 오믹스까지: 영상 AI가 데이터 문제로 정체되는 이유와 이를 해결할 기반을 구축하는 방법
작성자: Parastou Eslami , 더글라스 무어
병원과 의료 시스템은 원자재를 생성합니다. 영상의학은 의료 AI 분야에서 가장 엄격하게 규제되는 영역입니다. 2024년 중반까지 FDA가 승인한 약 950개의 AI/ML 지원 기기 중 약 723개(약 76%)가 영상의학 도구였습니다. 거의 모든 도구는 범위가 좁고 사람의 감독을 받으며, 분류, 측정, 재구성 또는 작업 목록 우선순위 지정을 수행합니다. 병원에서 진정한 어려움은 모델 자체인 경우가 드뭅니다. 문제는 데이터가 PACS와 벤더 중립 아카이브 내에 잠겨 있다는 것입니다. 이 시스템들은 연구 질문에 답하기 위해서가 아니라 뷰어에게 이미지를 제공하기 위해 구축되었습니다. 코호트를 추출한다는 것은 임상 시스템에서 이미지를 추출하고, 비식별화(PHI는 DICOM 헤더에 숨겨져 있으며 픽셀에 기록됨)하고, 이를 사용할 컴퓨팅 자원을 찾는 것을 의미합니다. 모델은 쉬운 10%에 불과합니다.
대부분의 오픈 사이언스는 학술 의료 센터에서 이루어집니다. 이 분야의 발전은 MIMIC-CXR(흉부 X선 377,110개), The Cancer Imaging Archive, fastMRI, UK Biobank 영상 부문과 같은 공유 데이터셋과 MONAI, nnU-Net, 3D Slicer와 같은 오픈 툴링 덕분입니다. 학계는 또한 이 분야의 신뢰성 문제를 드러냅니다. 심층 학습 대 임상의 영상 연구에 대한 잘 알려진 BMJ 리뷰(Nagendran et al., 2020)에 따르면, 81개 연구 중 소수만이 전향적이거나 실제 임상 환경에서 테스트되었으며, 93%와 95%의 연구에서 코드와 데이터를 사용할 수 없었습니다. 이러한 재현성 문제는 영상 데이터를 공유하고 다시 실행하기가 얼마나 어려운지에 직접적으로 기인합니다.
메드테크 및 기기 회사(GE HealthCare, Siemens Healthineers, Philips, Canon)는 스캐너에 AI를 직접 구축합니다. 스캔 시간을 단축하는 딥러닝 재구성, 선량 감소, 온디바이스 분류 등이 그 예입니다. 가장 어려운 문제는 일반화입니다. 한 벤더의 스캐너, 자기장 강도 및 프로토콜로 훈련된 알고리즘은 다른 벤더의 시스템에서는 조용히 성능이 저하될 수 있습니다. 실제 세계를 대표하는 다중 사이트 훈련 데이터를 큐레이션하고, 510(k) 및 PMA 경로를 통해 규제 기관에 이를 증명하는 것은 진입 장벽이자 비용입니다.
제약 및 바이오테크 기업은 영상을 측정 도구로 취급합니다. 종양학 임상 시험은 RECIST, iRECIST, RANO와 같은 표준화된 반응 기준에 의존하며, 이는 사이트 편향을 제거하기 위해 중앙에서 맹검으로 판독됩니다. 정량적 영상 바이오마커는 크기 기반 측정보다 약물 반응을 더 일찍 감지할 수 있습니다. 측정이 여러 사이트, 스캐너 및 시간에 걸쳐 동일한 의미를 갖지 않는 한 이 모든 것은 작동하지 않습니다. 이것이 RSNA의 QIBA가 명시된 정밀도로 획득 및 분석을 고정하는 프로파일을 작성하는 이유입니다. 가변성은 임상 시험의 최종 목표에 대한 적입니다.
네 가지 다른 업무, 하나의 공통된 병목 현상. 픽셀은 어디에나 있지만, 어디에서도 쿼리할 수 없습니다.
어떤 단일 기관도 일반화할 수 있는 모델을 구축할 만큼 충분히 다양한 데이터를 보유하고 있지 않습니다. 현재까지 가장 강력한 협력 연구가 이 점을 보여줍니다. EXAM 연구(Nature Medicine, 2021)에서 20개 기관은 환자 데이터를 서로 이동하지 않고 흉부 X선과 EMR 데이터를 통해 COVID-19 산소 요구량을 예측하는 공유 모델을 훈련했습니다. 모델 가중치만 이동했으며, 연합 학습 모델은 단일 사이트 모델에 비해 AUC에서 평균 16%, 일반화 가능성에서 38% 향상되었습니다. 그 작동 방식은 생각보다 복잡하지 않습니다. 각 사이트는 로컬에서 훈련하고, 코디네이터는 데이터 대신 모델 가중치를 평균화하며(고전적인 연합 평균화 방식), 보안 집계와 차등 프라이버시는 특정 사이트의 기록이 해당 가중치로부터 재구성되는 것을 방지합니다.
그것이 바로 약속입니다. 현실은 기술적인 이유보다는 구조적인 이유로 인해 협업이 진정으로 어렵다는 것입니다.
영상 분야에서의 협업은 있으면 좋은 것이 아닙니다. 이는 훈련된 건물 밖에서도 작동하는 모델을 만들 수 있는 유일한 경로이며, 거의 전적으로 데이터 파이프라인과 거버넌스에 의해 좌우됩니다.
사람들이 "의료 영상"이라고 말할 때, 그들은 보통 흉부 X선을 떠올립니다. 현실은 일반적인 데이터 툴링으로는 감당하기 어려운 다양한 형식과 규모의 집합체입니다.
| 영상 유형 | 형식 | 차원 및 규모 | 범용 툴링이 한계에 부딪히는 이유 |
|---|---|---|---|
| 영상의학 — X선, CT, MRI | DICOM, 약 12가지 전송 구문으로 인코딩 가능 (압축 해제 → JPEG 2000 → HTJ2K) | 2D X선 → 3D CT/MRI 볼륨 → 4D 동적 심장 |