루닛

간 뒤에 가려진 암 radiologists가 놓치는 걸 ai는 뚜렷하게 잡아냄

 

ct는 많은 정보를 담아낼 수 있지만(2mm부터 식별 가능) 피폭량이 많음

 

randomized controlled trial(rct)를 통과하면 약제든 의료기기든 현실에서 효과를 보인다는 게 입증됨

 

ai그룹이 non-ai그룹 보다 더 많은 암 환자를 발견함(수가 적긴 하지만 2배나 됨)

 

감기와 달리 암은 사람에 따라 특성이 다르게 나타남 심한 경우 같은 약에도 상반된 결과가 나옴

 

아날로그 현미경 말고 디지털 스캐너를 사용해서(배율 별로 자동 스캔) 채취한 조직으로부터 암세포를 찾아냄

 

암세포를 찾을 때 세포핵의 모양과 크기, 음영을 고려함

 

지도학습을 위해 cancer area를 컨투어링 하고 고배율에서는 세포 하나하나를 종류까지 annotation 함

 

얼굴을 detection 하는 정도는 일반인도 할 수 있지만 이건 상당한 전문성과 비용을 필요로 함

 

사람이 그린 영역을 hint 삼아 ai가 area를 찾아내고 다시 사람이 수정하는 interaction을 주고 받는 알고리즘을 개발함

 

몇번의 touch 만에 정확한 annotation이 가능해짐 (더욱 빠르고 정확)

 

이것이 시사하는 바는 앞으로 ai 엔지니어에게 있어서 data 확보와 자동화 tool의 빌드업이 중요하다는 것

 

3기는 암세포가 림프절을 타고 어디든 갈 수 있는 거고 4기는 이미 다른 장기에 가 있는 것 (여기부터 수술적 절제나 치료가 큰 의미 없음)

 

전체 항암치료의 절반은 세포독성치료 (모낭, 상피세포 등 분열을 많이 하는 세포도 함께 사멸)

 

표적치료 (표적단백질을 사용하여 암세포만 공격하여 쉽게 내성이 생김)

 

면역항암제 (면역세포가 암세포의 활성화와 억제를 담당할 수 있도록 도와주는 치료)

 

문제는 단 30퍼 환자에서만 긍정적인 반응이 나타나고 20포에서는 암세포가 오히려 progressive 해짐

 

따라서 암세포와 면역세포의 수와 분포에 따라 면역항암 여부를 결정할 수 있는데(기대) 현재는 상용화되지 않은 상태

 

수치화된 ratio를 input으로 받아 classifier를 통해 respondor인지 non-respondor인지 분류

 

면역항암을 받았는데 non-responder로 분류된 환자의 month에 대한 survival 함수가 responder의 것에 비하여 급격하게 감소함

 

10-15개월에서 차이가 크고 20개월 이상에서는 비슷한 생존률

 

 

 

 

현재 ai를 학습하는 패러다임으로 대부분 딥러닝을 사용, 그런데 딥러닝은 데이터가 중요해서 양이 많아야 하고 label이 정확해야 함

 

사람도 한평생 보고 겪은 환경과 경험이 있기 때문에 훈련데이터는 방대한데, 대부분은 비지도학습이었다고 생각

 

ai가 대규모의 비지도학습을 하게 되면 사람처럼 단 몇개의 데이터로 학습이 가능하지 않을까

 

최근 Open ai에서 대규모 모델을 발표했는데 비지도학습을 통해 적은 데이터로도 좋은 지도학습 성능을 보인다는 게 증명되는 중

 

그러나 medical 분야에서는 이러한 비지도학습이 아직 어렵다