HyperAI超神经

Super Neuro에서

시나리오 설명:머신 러닝 방법을 사용하면 병리학에서 조직 샘플 섹션의 미세한 이미지를 가상으로 염색하여 기존 염색 방법의 단점을 피할 수 있습니다. 의료진이 더욱 편리하게 진단을 내릴 수 있도록 지원합니다.

키워드:CNN, 이미지 처리, 의료 지원닫다

많은 의학적 진단은 이미지를 통한 관찰 과정을 통해 이루어집니다. 이미지 처리에 있어서는 AI가 매우 유용합니다.

생검 관찰을 기반으로 한 병리학적 검사에서는 검체의 극히 얇은 부분을 염색한 다음 현미경으로 관찰하여 병리학적 진단을 내려야 합니다. AI의 관점에서 보면 이 문제는 이미지에 정확한 색칠을 하는 문제입니다.

최근 보고서에서 연구자들은 머신 러닝 방법을 사용하여 슬라이스의 가상 염색에서 매우 높은 정확도를 달성했으며, 이는 기본적으로 수동 염색 과정을 대체할 수 있습니다.

조직 샘플 섹션의 전통적인 염색

조직 샘플의 현미경 영상화는 광범위한 질병을 진단하는 기본 도구이며 병리학과 생물학의 주요 도구입니다.

이 수술의 구체적인 목적은 신체 조직의 아주 작은 부분을 제거하여 샘플을 처리하고 분석하여 검사와 진단의 목적을 달성하는 것입니다.

샘플을 제거한 후 몇 마이크로미터(1미터의 백만분의 일) 두께의 얇은 조각으로 자릅니다. 이러한 얇은 조직 절편에는 미세한 수준에서 환자의 상태에 대한 정보가 담겨 있습니다.

표준 광학 현미경으로 보면, 처리하지 않은 부분은 거의 구별할 수 없었습니다. 식별력을 높이는 유일한 방법은 염색입니다. 병리학이 발전하는 동안 의사들은 다양한 조직 염색 방법을 만들어냈습니다.

그러나 조직 표본의 전통적인 염색 과정은 시간이 많이 걸리고 복잡하며, 전문적인 실험실 인프라, 화학 시약 및 숙련된 기술자가 필요합니다.

그렇다면 AI는 어떻게 색칠을 수행할까?

가상 이미지 염색은 이전 염색에서 얻은 데이터를 사용하여 샘플의 단일 자가형광 이미지를 색칠하는 딥 합성 신경망(CNN)을 사용하는 머신 러닝 접근 방식을 활용합니다.

수술 시에는 먼저 염색되지 않은 조직을 잘라서 자가형광을 이용하여 현미경으로 이미지를 촬영합니다.

그런 다음 생성적 적대 신경망(GAN)으로 훈련된 CNN을 사용하면 레이블이 지정되지 않은 조직 자가형광 이미지를 시약 염색과 유사한 이미지로 빠르게 변환할 수 있습니다.

이러한 딥러닝 기반 방법에는 지루한 기존 단계가 전혀 포함되지 않습니다. 컴퓨터를 통해 모델을 학습시키고 최종적으로 컬러 이미지를 출력하는데, 이를 통해 비용과 시간을 크게 절약할 수 있습니다.

이 연구는 캘리포니아 대학 로스앤젤레스 캠퍼스의 연구팀이 수행했고, 연구 결과는 Nature Biomedical Engineering 저널에 게재되었습니다.

논문 주소: https://www.nature.com/articles/s41551-019-0362-y

그렇다면 AI 가상 컬러링의 실제 효과는 무엇일까?

연구자들은 가상 염색의 효과를 판단하기 위해 "맹검 검토" 과정을 사용했습니다.

전문 자격증을 소지한 병리학자들에게 아무런 정보 없이 샘플이 시약으로 염색되었는지, 아니면 AI 가상 염색으로 염색되었는지 독립적으로 판단해 달라고 요청했습니다.

최종 결론은 염색 품질 측면에서 AI가 생성한 가상 염색을 통해 도출된 의학적 진단은 기존 방법과 비교했을 때 임상적으로 유의미한 차이가 없다는 것을 보여줍니다.

연구진은 가상 염색 후 기존 방법을 사용하여 일부 샘플을 염색했고, 그 결과 얻은 이미지는 실제 효과가 거의 동일하다는 것을 보여주었습니다.

첫 번째 열은 대비를 높인 이미지이고, 두 번째 열은 원래의 자가형광 이미지이며, 세 번째 열은 AI 가상 염색이고, 네 번째 열은 전통적인 방법인 Masson 트리크롬 염색입니다. 목표는 간과 폐 생검이었습니다.

새로운 방법은 다양한 염색과 인체 조직 유형에서 검증되었는데, 여기에는 침샘, 갑상선, 신장, 간, 폐의 일상적인 절편이 포함됩니다.

연구팀은 다음 단계로 AI 염색 영상 진단의 정확성을 검증하기 위해 대규모 무작위 임상 연구를 진행할 것이라고 밝혔습니다.

AI 염색법은 표준 형광현미경과 간단한 컴퓨터만 필요하므로 자원이 제한된 환경과 조건에서 혁신적인 이점을 제공합니다.

연구를 이끈 아이도간 오즈칸은 "이 기술은 임상 조직병리학 워크플로우를 혁신할 수 있는 잠재력을 가지고 있다"고 말했습니다. "염색 과정은 빠르고 간단하며, 전문 기술자나 고급 의학 실험실이 필요하지 않습니다."

이 방법의 확장성과 관련하여 그는 "AI 기반 가상 염색 프레임워크는 수술실에서도 사용할 수 있습니다. 예를 들어 종양 여백을 빠르게 평가하고 수술을 수행하는 외과의에게 편리하거나 심지어 중요한 지침을 제공할 수 있습니다."라고 덧붙였습니다.

또한, 이 연구의 또 다른 주요 효과는 염색 과정 전체를 표준화하는 데 도움이 된다는 것입니다. AI 방법을 사용하면 기술자 및 작업 환경의 차이로 인해 발생하는 차이를 방지할 수 있으므로 생체검사의 잘못된 진단이나 분류를 피할 수 있습니다.