육안 형광 계측과의 작별, 영국 팀이 개발한 광견병 백신 평가 AI 워크플로, AUC 0.999 달성

광견병은 심각한 인수공통전염병으로, 유행 지역에서는 매년 수만 명의 사망자를 발생시키고 있다. 백신 접종이 광견병을 효과적으로 예방할 수 있으나, 바이러스 감염 진단, 백신 접종 후 면역 효과 평가, 관련 혈청학적 모니터링은 여전히 신뢰할 수 있는 실험실 검사 방법에 의존한다. 세포 배양 검사에서 실험자는 일반적으로 형광 현미경 영상을 통해 세포에 광견병 바이러스(RABV) 감염이 존재하는지 판단해야 하며, 이 과정에는 대량의 영상에 대한 육안 관찰과 판독이 필요하여 시간이 많이 소요될 뿐만 아니라, 작업자의 경험, 미약한 형광 신호, 영상 아티팩트 등 여러 요인의 영향을 받을 수 있다.

최근 몇 년간 딥러닝(DL) 기술의 발전은 바이러스 감염 평가를 포함한 생물의학 영상 분석의 발전을 크게 촉진했다. 그러나 이전에 광견병 바이러스 항원의 체계적인 형광 영상 분석에 딥러닝 방법을 적용한 연구는 없었다. 광견병 바이러스는 일반적으로 뚜렷한 세포병리학적 효과나 다핵체 형성을 유발하지 않기 때문에, 많은 인공지능 기반 방법들이 의존하는 세포 형태학적 특성은 이러한 유형의 검사에서 적용성이 제한적이다.

이러한 배경에서, 영국 서리 대학교 연구팀은 BHK-21 세포 배양에서 광견병 바이러스 감염을 탐지하고 항체 역가를 정량화하기 위한 최초의 인공지능 기반 워크플로우를 제안했다. 연구팀은 ResNet, Swin Transformer V2, MambaOut 등 세 가지 최신 딥러닝 아키텍처를 선정하여 대규모 데이터셋으로 학습을 수행했다. 이미지 영역, 단일 이미지, 웰(well)의 세 가지 수준에서의 평가에서 MambaOut 모델은 다른 모델들을 지속적으로 능가했다.

웰 수준에서 이 모델은 정확도 0.996, F1 점수 0.993, 수신자 조작 특성 곡선 하단 면적(AUC-ROC) 0.999를 달성했다. 이 방법의 실제 적용 능력을 평가하기 위해 연구팀은 세계보건기구(WHO)/세계동물보건기구(WOAH)가 권장하는 형광 항체 바이러스 중화 시험에서 사용된 본 적 없는 이미지로 모델을 추가로 테스트했으며, MambaOut은 항체 농도 예측에서 실제 표기 결과와 완전히 일치하여 백신 평가 및 반려동물 여행 관련 검사에서 이 워크플로우의 신뢰성을 입증했다.

관련 연구 성과는 「Deep learning enables rabies virus detection and antibody quantification in cell culture」라는 제목으로 Scientific Reports에 게재되었다.

연구 하이라이트:

• 최초의 대규모 광견병 바이러스 영상 데이터셋 구축

• AI를 활용한 고처리량 영상 분석 자동화 구현으로, 진단 실험실에 확장 가능하고 시간 절약되는 솔루션을 제공하며, 특히 광견병 유행 국가 및 지역에서 유용함

• 연구 결과는 AI 보조 광견병 진단의 기초를 마련했으며, 딥러닝 기술을 다른 세포 배양 기반 바이러스 검사 방법으로 확장할 수 있는 새로운 가능성을 열었다

논문 주소:

https://www.nature.com/articles/s41598-026-57955-8

LyssaScan 데이터셋 구축: 형광 영상에서 감염 신호 식별

연구진은 RABV 감염 인식을 위한 영상 데이터셋 LyssaScan을 우선 구축했으며, 이 데이터셋은 다양한 감염 수준, 염색 시약, 영상 조건을 포괄하여 생물학적 차이와 기술적 변이를 동시에 반영한다.

구체적으로, 연구팀은 광견병 바이러스(RABV) 표준 공격 균주 11(CVS-11)에 감염된 BHK-21 세포를 사용하여 표준화된 형광 현미경 영상 프로토콜을 확립했다. 세포 배양에는 평평한 바닥, 투명한 하부, 검은색 측면 벽을 가진 96 웰 플레이트를 사용하였으며, 48시간 배양 후 연구팀은 세포를 고정하고 이소티오시아네이트 형광소(FITC)로 표지된 다클론 항 광견병 바이러스 핵캡시드 항체(Fujirebio)로 염색했다. 음성 대조군에는 미감염 세포 웰과 배지만 포함된 웰을 포함했으며, 일부 세포 배양물은 다른 FITC 결합 항체(Sifin)로 염색했다. 전체 영상 프로세스는 아래 그림과 같다:

데이터셋 생성을 위한 자동화 워크플로우

자동화된 영상 촬영은 Agilent Technologies의 Cytation 5 세포 영상 분석기를 사용하여 수행되었으며, 원문에서 모델 정보가 비정상적으로 표시된 대물렌즈와 통합된 와이드필드 카메라가 장착되었다. 연구팀은 GFP 및 Texas Red 필터 블록을 사용하여 바이러스 핵캡시드 염색으로 생성된 형광 신호와 세포 단층 관찰을 위한 영상을 각각 수집했다. 각 웰은 네 모서리 위치에서 영상 촬영을 수행하므로, 각 웰당 네 개의 합성 PNG 이미지가 생성된다. 최종적으로 후속 처리를 위해 총 2,344장의 합성 이미지가 수집되었다.

이후, 이미지를 특정 크기로 확대하여 16개의 중복되지 않는 이미지 영역(patch)으로 정확하게 분할할 수 있도록 하였으며, 전문가가 수동으로 라벨링하여 신뢰할 수 있는 정답 레이블을 생성했다. 판독 합의가 불가능한 사례는 '모호함'으로 표기되어 모델 개발에서 제외되었다. 최종적으로 LyssaScan 데이터셋에는 총 36,822개의 이미지 영역이 포함되었으며, 그중 9,750개는 감염 샘플, 27,072개는 미감염 샘플이다.

세 가지 모델의 아키텍처 차이: 컨볼루션 네트워크에서 게이티드 컨볼루션까지

서로 다른 딥러닝 아키텍처의 형광 이미지 인식 작업에서의 성능을 비교하기 위해, 연구진은 ResNet-101, Swin Transformer V2 Small(SwinT-V2), MambaOut Small 세 가지 모델을 선정했으며, 각 모델의 파라미터 수는 각각 약 4,450만, 4,700만, 4,850만 개입니다.

ResNet-101: 잔차 연결 기반의 컨볼루션 신경망

ResNet은 본 연구의 기준 모델로, 네트워크를 깊게 만드는 동시에 그래디언트 전파를 개선하기 위해 스킵 연결을 도입한 것이 핵심 특징입니다. 계층별로 이미지 특징을 추출하여 국소 형광 구조를 인식할 수 있지만, 복잡한 배경과 미약한 감염 신호의 판별에서는 여전히 국소 특징 표현 능력의 한계를 받을 수 있습니다.

SwinT-V2: 셀프 어텐션을 활용한 컨텍스트 정보 통합

SwinT-V2는 계층적 비전 Transformer에 속하며, 이동 윈도우 셀프 어텐션 메커니즘을 채택하여 국소 특징을 추출하는 동시에 더 광범위한 컨텍스트 정보를 통합합니다. 형광 이미지의 경우 감염 부위가 작을 수 있으며, 배경 신호, 염색 차이 또는 다른 구조물과 혼합될 수 있으므로, 국소 양상과 주변 환경을 종합적으로 고려하면 인식 능력이 향상될 수 있습니다.

MambaOut: 게이팅 메커니즘을 통한 동적 특징 조절

MambaOut은 본 연구에서 상태 공간 모델 컴포넌트를 포함하지 않고 스택된 게이티드 CNN 모듈을 사용합니다. 게이팅 메커니즘은 특징 전달을 동적으로 조절하여 가치 있는 신호를 선택적으로 강화하고 배경 노이즈를 억제합니다. 이러한 특성은 복잡한 배경 속에 묻힌 미약한 형광 부위 인식에 더 적합할 수 있으며, 연구진이 해당 모델의 성능에 주목한 이유 중 하나입니다.

세 가지 아키텍처는 각각 상보적인 특성을 가진 기술 경로인 컨볼루션 신경망(CNN), 비전 Transformer(ViT), 게이티드 컨볼루션 신경망을 대표하며, 서로 다른 아키텍처를 체계적으로 비교하는 기초를 제공합니다.

모델 학습에는 랜덤 뒤집기, 회전, 밝기 및 대비 조정 등 표준 데이터 증강 기법이 사용되어 모델의 강건성을 높였습니다. 모델은 ImageNet-1k 사전 학습 가중치로 초기화되었으며, LyssaScan 데이터셋에서 파인 튜닝되었습니다. 학습에는 NVIDIA GeForce RTX 2080 Ti GPU가 사용되었고, 총 20개의 학습 에포크(epoch)를 수행했으며, 배치 크기는 128이었습니다.

최적화 과정에서는 Adam 옵티마이저를 사용했으며, 초기 학습률은 원문에서 수식 내용이 비정상적으로 표시되어 정확히 복원할 수 없고, 코사인 어닐링(cosine annealing) 학습률 스케줄링 전략을 적용했습니다. 클래스 불균형 문제를 해결하기 위해 가중치 교차 엔트로피 손실 함수를 사용했으며, 클래스 가중치는 각 클래스의 샘플 빈도수와 반비례하도록 설정되었습니다.

학습 과정에서(아래 그림 참조), 각 모델이 추출한 특징은 먼저 전역 평균 풀링(GAP)을 통해 D차원 특징 기술 벡터로 집계된 후, 전연결층(FC)에 입력되어 로짓(logits)을 생성하고, 최종적으로 가중치 교차 엔트로피 손실 함수를 통해 최적화됩니다.

모델 학습 과정

추론 단계에서는(아래 그림 참조), 입력 이미지 영역의 크기를 조정한 후 학습된 모델이 처리합니다. 추출된 특징은 전역 평균 풀링을 통해 집계된 후, 전연결층과 Softmax 층을 거쳐 각 클래스의 예측 확률을 얻습니다. 이후 이러한 확률을 활용하여 모델의 다양한 평가 지표를 계산합니다.

모델 추론 과정

MambaOut 모델, 인식 정확도와 항체 정량화 능력을 모두 충족

연구진은 ResNet, Swin Transformer V2, MambaOut 세 가지 모델을 체계적으로 평가하여, 광견병 바이러스 탐지 작업에서 최신 딥러닝 모델들의 성능을 비교하고, 관련 모델의 선택 및 적용에 근거를 제공했습니다.

모델 성능 평가

모델 성능은 세 가지 수준에서 평가되었습니다. 먼저, 이미지 패치 수준에서 탐지 성능을 평가하기 위해 개별 이미지 패치를 분류했으며, 그 결과는 아래 표와 같습니다:

5절 교차 검증을 기반으로 한 심층 신경망의 LyssaScan 데이터셋 이미지 패치(patch) 수준 성능(평균 ± 표준편차)

다음으로, 16개 이미지 패치의 예측 결과를 집계하여 전체 이미지의 분류 결과를 도출하고, 이를 이미지 수준의 실제 레이블과 비교했으며, 그 결과는 아래 표와 같습니다:

5중 교차 검증을 사용하여 LyssaScan 데이터셋에서 각 심층 신경망의 성능을 이미지 수준에서 평가함(평균 ± 표준 편차)

마지막으로, 각 웰은 서로 다른 코너 위치에서 촬영한 4장의 이미지에 해당하므로, 연구진은 이미지 영역의 예측 결과를 웰 수준으로 집계하고 해당 웰의 실제 레이블과 비교하여 전체 웰 검출 성능을 평가했습니다. 결과는 아래 표와 같습니다:

5중 교차 검증을 사용하여 LyssaScan 데이터셋에서 각 심층 신경망의 성능을 웰 수준에서 평가함(평균 ± 표준 편차)

이미지 영역, 개별 이미지 및 웰의 세 가지 평가 수준에서 MambaOut이 항상 최상의 성능을 보였으며, 그 다음으로 Swin Transformer V2(SwinT-V2)가 우수했습니다. 이미지 영역 수준에서 MambaOut은 정확도, F1 점수 및 정밀도 등 모든 지표에서 최상의 성능을 보였으며, 이는 국소 이미지 영역 내 감염 신호를 신뢰성 있게 식별할 수 있음을 나타냅니다. 이 경향은 이미지 수준 평가에서도 동일하게 나타났습니다. MambaOut은 높은 정확도와 F1 점수를 기록했으며, SwinT-V2는 MambaOut보다 약간 낮은 성능을 보였습니다.

ResNet의 이미지 수준 성능은 정확도 0.947로 가장 낮았으며, 이는 해당 모델이 이미지 영역 수준의 분류 오류에 특히 민감하기 때문입니다. 그럼에도 불구하고, 이러한 집계 규칙은 실제 생물학적 판정 논리와 부합합니다. 즉, 형광 양성 영역이 단 하나라도 발견되면 바이러스 항원이 검출된 것을 의미하므로 전체 이미지는 감염 양성으로 판정해야 합니다. 진단 상황에서는 감염의 증거를 발견하는 것이 매우 중요하며, 일반적으로 누락(위음성)은 간헐적인 위양성보다 더 심각한 결과를 초래합니다.

형광 항체 바이러스 중화 시험(FAVN)에서 항체 역가 측정 적용성 평가

제안된 워크플로우의 혈청학적 검사 시나리오 적용성을 평가하기 위해, 연구진은 모델을 형광 항체 바이러스 중화 시험(FAVN)에 적용했습니다. 실험 결과, MambaOut은 정확도 0.992, F1 점수 0.992, AUC-ROC 0.997로 최상의 성능을 보였으며, 이는 복잡한 변별 조건에서도 국소 및 전역적 특징을 효과적으로 포착할 수 있음을 시사합니다. SwinT-V2 역시 정확도 0.988로 우수한 일반화 능력을 보였습니다. 반면, ResNet의 성능은 정확도 0.965로 다소 떨어졌습니다.

이후 연구진은 FAVN에서 항체 역가 측정 적용성을 추가로 검증했습니다. 동일한 이미지 세트를 사용하여 모델이 예측한 항체 역가와 인간 조작원이 측정한 결과를 비교했으며, 인간 판독 결과를 기준값(진실값)으로 사용했습니다. 결과는 아래 표와 같습니다:

ResNet, SwinT-V2 및 Mamba 모델이 예측한 항체 역가(국제 단위/밀리리터, IU/mL)와 인간 조작원의 동일 샘플 판독 결과 비교

연구진은 모델과 인간 조작원 간 일치도를 평가하기 위해 Bland–Altman 분석을 사용했으며, 결과는 아래 그림과 같습니다:

심층 학습 모델 예측 결과와 인간 조작원 측정 결과의 Bland–Altman 일치도 분석 그래프

ResNet은 평균 차이 +0.41로 뚜렷한 양의 편향을 보였으며, 일치 한계(LoA)도 −0.71에서 +1.53으로 넓었습니다. 이는 인간 판독 결과와 비교할 때 ResNet이 항체 역가를 체계적으로 과대평가하는 경향이 있음을 나타냅니다.

SwinT-V2는 평균 차이가 거의 0에 가까워(−0.02) 우수한 일치도를 보였으며, 일치 한계도 −0.15에서 +0.11로 좁았습니다. 이는 측정 범위 전체에 걸쳐 예측 결과가 인간 판독 결과와 우수한 호환성을 가짐을 의미합니다.

MambaOut의 예측 결과는 인간 판독 결과와 완전히 일치했으며, 모든 쌍별 차이는 0이었습니다.

SwinT-V2와 MambaOut에서는 비례 편향의 증거가 발견되지 않은 반면, ResNet의 차이는 항체 역가가 높아질수록 약간 증가하는 경향을 보였습니다.

세계보건기구(WHO) 및 세계동물보건기구(WOAH)의 관련 지침에 따르면, 항체 역가 0.5 IU/mL는 백신 접종 후 혈청 전환이 발생했음을 입증하는 합리적인 증거로 간주되며, 국제 반려동물 이동 규정 준수를 위한 참고 기준이기도 합니다. 연구진은 이 임계값을 사용하여 항체 역가 범위를 포괄하는 샘플 그룹에서 예측 역가의 차이가 결과 판정에 미치는 영향을 평가했습니다.

전체 샘플 그룹에서 ResNet의 항체 역가 추정치는 실제 기준값보다 전반적으로 높게 나타났으며, 이러한 오판정은 면역력이 부족한 반려동물이 이동 허가를 잘못 받을 수 있게 합니다.

SwinT-V2의 전반적인 예측 결과는 인간 판독 결과와 비교적 유사하지만, 실제로 합격 기준을 충족하는 샘플 10을 음성으로 오판정했습니다. 이는 불필요한 재접종을 유발하고 이동 지연을 초래할 수 있습니다.

MambaOut의 예측 결과는 인간 판독 결과와 완전히 일치하여, 모든 부적합 샘플을 정확하게 식별했을 뿐만 아니라 낮은 역가와 높은 역가의 혈청을 정확히 구분했으며, 임계값 판정에서 어떠한 오류도 발생하지 않았습니다.

종합적으로, 이러한 연구 결과는 제시된 시스템이 세포 배양 검사에 효과적으로 적용될 수 있을 뿐만 아니라 혈청학적 검사 프로세스로 확장될 수 있음을 시사하며, 광견병 진단 및 혈청학적 모니터링에서의 추가적인 활용을 뒷받침합니다.

결론

요약하자면, 본 연구에서 RABV 감염 감지 분야에서 거둔 진전은 세포 연구 및 진단 시험에 컴퓨터 비전을 적용하는 과학적 기반을 더욱 공고히 했으며, 다른 바이러스성 병원체의 세포 배양 검사로 확장할 가능성을 제시했습니다. 본 연구는 실험실 진단을 혁신하는 인공지능의 잠재력을 부각하며, 전문가 수준의 판독 능력과 확장 가능하고 사용이 간편한 기술 사이의 격차를 해소하는 데 기여합니다. 기술적 공헌 외에도 이 접근법은 인공지능 기반 진단 기술이 전 세계 광견병 부담을 줄일 수 있는 잠재력을 보여줍니다. 현재 프로토콜은 여전히 전문 장비를 필요로 하지만, 그 기본 방법은 일반 현미경과 디지털 카메라의 결합 등 더 접근성이 높은 장비 플랫폼에 적용될 수 있어, 자원이 부족한 지역에서 확장 가능하고 지속 가능한 진단 솔루션을 개발하는 데 길을 열 수 있습니다.

참고 문헌:

https://phys.org/news/2026-10-ai-rabies-world.html
https://www.nature.com/articles/s41598-026-57955-8