Medidata Blog

[NEXT+] AI와 머신러닝을 활용한 임상시험 이미징의 혁신

Reading Time: 4 minutes

PART1. 메디데이터 AI 기술의 영상 진단 지원

Dan Braga(VP, Acorn AI Product & Ecosystem, Medidata)

 

임상시험 영상 진단에서 가장 눈에 띄게 혁신적으로 발전한 것은 영상을 해석하고 분석하는 방법입니다. 영상진단 시스템과 데이터 플랫폼에 인공지능(AI)과 머신러닝(ML)을 적용하면 어떤 효과를 거둘 수 있는지 알아봅니다. 

 

모든 산업에서 인공지능이 화제가 되고 있습니다. 그러나 메디컬 이미징과 임상연구에 어떻게 적용되는지는 많이 알려지지 않은 듯 합니다. 현재 임상시험 이미징은 다음과 같은 문제에 직면하고 있습니다.

먼저 기술적 문제로, ▶이미지 내 PHI입니다. PHI는 곳곳에서 불편을 일으킵니다. 사진의 헤더에 적혀 있기도 하고, 픽셀 데이터 자체에 박혀 있기도 해 식별, 보안 설정, 궁극적으로는 제거하거나 가리는 것도 어렵습니다. ▶이미지의 부재도 문제입니다. 때로는 엑스레이가 기울어져서 찍히기도 하고, CT스캔에서 정확한 부위를 찍지 못하기도 합니다. 이 문제는 촬영 당시 바로 확인되는 경우도 있지만 나중에 방사선의가 영상을 판독할 때 드러나기도 합니다. ▶영상 화질도 곤혹스럽게 합니다. 방사선사의 실수 때문일 수도 있고, 이미징 프로토콜을 제대로 따르지 않아 발생하기도 합니다. 이 문제는 사람이 직접 골라내고 워크플로의 다양한 단계에서 발견됩니다. 

기술적 문제 외에도 운영과 관련된 문제도 있습니다. ▶방사선의 1명 혹은 프로토콜에 따라 여러 명이 영상을 리뷰하는 데 걸리는 시간입니다. 여러 명이 함께 리뷰하면 변수가 생길 수 있으며, 혼자 리뷰해도 마찬가지인 경우가 있습니다. ▶비용도 문제입니다. 수기로 직접 하는 작업이 늘어날수록 비용도 증가할 수밖에 없습니다. 이외에도 많은 문제들이 있습니다. 

 

품질관리 분야에서 AI의 발전

  • 시간 절약 

품질관리에서 AI와 머신러닝 기술을 적용하기 위해 메디데이터가 가장 먼저 주목한 문제는 PHI 제거와 이미지 확인입니다. PHI 제거의 경우, 이미 수년 전부터 헤더 부분의 PHI는 자동으로 수정 및 제거가 가능했습니다. 하지만 완전 삭제가 아니라, 무조건 다른 데이터로 대체하는 방식이었습니다. 픽셀데이터에 새겨진 PHI를 자동으로 식별하고 제거, 대체하거나 보안 등급을 설정하고 가리는 것은 완전히 다릅니다. 

이 부분은 AI가 아주 잘 하는 부분입니다. 메디데이터는 폰트, 사이즈, 색을 식별하고, 인식된 데이터의 처리 방법을 정했습니다. 픽셀 데이터에 새겨진 정보가 모두 다 나쁜 것은 아닙니다. 메디데이터의 Rave Imaging은 AI기술을 활용하여 발전을 거듭하고 있으며, 업계의 공통된 고충을 해결하고 있습니다.  

또 한 가지 집중한 부분은 AI를 활용하여 영상 촬영이 부족한 부분을 감지하는 것입니다. CT 스캔 시 대퇴골 상부가 나왔어야 한다, 더 아래까지 나왔어야 한다는 등의 논의가 가장 많은 부위가 흉부, 복부, 골반입니다. 때로는 필요한 부위가 누락된 채 스캔되기도 합니다. AI는 해부학적 랜드마크들을 기억하여 업로드가 되자마자 부족한 부분을 인지하고 담당자에게 알릴 수 있습니다. 

 

  • 이미지 판독과 평가의 발전

영상 판독에 대한 표준화된 기준이 존재하지만, 많은 경우 방사선의가 어느 정도는 주관적인 판단을 내려야 합니다. 일례로, 표적병변 선택과 크기 측정에는 사람마다 차이가 있을 수 있습니다. 이런 경우, 두 명의 의견이 서로 다를 때 제3자의 의견을 더해 판단을 내릴 수도 있습니다. 그렇다고 해도 모든 판독자가 판독 기준을 정확하고 일관되게 적용하는지 평가할 수는 있어야 합니다. 알고리즘을 개발하여 자동으로 실시간 패턴을 생성할 수 있고, 이를 통해 이미징 기준을 벗어나는 부분을 식별하여 조기에 문제를 해결할 수 있습니다. 

예시 차트는 관찰자 간 변수를 보여줍니다. 두 명의 다른 판독자들이 각각 선택한 표적병변의 수를 보여줍니다. 총 5개 부위, 장기 하나 당 2개씩을 표적병변으로 선택할 수 있습니다. 둘 중 한 명이 현저히 적은 부위를 선택했다면 품질 문제를 의심해볼 수 있는 상황입니다. 너무 빨리 판독하는 바람에 표적 후보를 놓쳤을 수도 있습니다. 반대로 다른 한 명이 굳이 보지 않아도 되는 부위를 너무 많이 선택한 것일 수도 있습니다. 

알고리즘을 통해 자동으로 이상치를 식별하는 기술은 특정 대상자 내에서 편차를 파악하는 데도 활용됩니다. 예를 들어, 한 명은 대상자 방문 때 필요한 측정을 실시한 반면, 두 번째 판독자는 같은 방문을 ‘평가 불가’로 표시했다면, 두 번째 판독가가 평가가 필요한 표적병변 부위의 영상을 확인하지 못했다는 뜻일 수 있습니다. 다른 이유로 착오가 있을 수도 있습니다. 

AI를 통해 종양학 판단 기준에서 관찰자 간 및 관찰자 내 변수를 줄일 수 있습니다. 자동적으로 병변 부위를 인식하고 분류, 측정해서 방사선의가 검토할 수 있도록 합니다. 분석 시간을 확실히 줄여주기 때문에 비용도 많이 줄일 수 있습니다. 

방사선의가 선택된 병변 부위를 필요에 따라 조정할 수도 있습니다. 표적병변 부위는 알고리즘을 활용하여 자동으로 결절을 식별하고 적절한 측정법도 적용합니다. 결절성 병변은 연단축 측정, 그 외에는 최장축 측정을 적용할 수 있습니다. 알고리즘을 활용하여 표적병변을 후보를 가려내고 그 외의 병변은 자동으로 표적에서 제외할 수 있습니다. 이를 표시할 수도 있습니다. 

추후 방문 때 새로운 병변도 식별, 표시, 측정합니다. RECIST 1.1에서는 신규 병변 측정이 필수는 아니라고 하지만, 추후 면역 관련 기준을 적용해야 할 수도 있기 때문에 측정해 놓으면 도움이 될 수 있습니다. 

 

임상시험에 AI 도입 방법

AI를 어떻게 임상시험 절차에 적용할까요? AI는 반드시 의뢰사, CRO, 스폰서의 워크플로에 맞춰져야 합니다. 보시는 그림은 영상 검토 프로세스에 대한 예시입니다. AI 기술이 적용된 부분, Rave Imaging 역량을 사용한 부분이 섞여 있습니다. 에이콘AI는 이 예시 프로세스에 따라 영상 진단을 테스트해봤습니다. 이미지는 Rave Imaging 플랫폼에 업로드되고 AI를 사용하여 PHI를 제거했고, 해부학적 검증을 판독자 지정이 되기도 전에 마쳤습니다. 여기서는 PHI 를 식별하고 숨기는 데 한 개의 AI 알고리즘을 사용했고, 또 하나는 제3의 주체인 Saliency의 것을 사용했습니다. 플랫폼의 가치를 한 번 더 보여주는 부분입니다. 

어떠한 AI도 모든 문제를 모두 해결할 수는 없습니다. 업계의 다양한 알고리즘을 활용하는 유연성이 매우 중요합니다. 이후에 Rave Imaging 툴로 방사선를 지정하고, 다시 AI를 활용하여 블라인드 검토를 실시했습니다. 방사선의가 한번 검토하고, 다른 한 번은 AI가 실시한 것입니다. 그 후에 최종 심사 시 일반적인 한계치보다 큰 분산도 고려할 수 있었습니다. 결론적으로 테스트에서 데이터 업로드 시간을 단축하고, 품질 검사와 리뷰의 변동성을 줄이고, 품질은 향상됐습니다.  

 

PART2. Saliency가 AI로 지원하는 방법 

Kevin Thomas(CEO, Saliency)

 

이미징 AI 회사인 Saliency는 AI를 기반으로 의뢰사, CRO, 연구기관을 지원하고 있습니다. 메디데이터 Rave Imaging과의 통합으로 영상 진단 워크플로를 어떻게 개선할 수 있는지 소개합니다.

 

AI 기술로 자동 품질관리

Saliency의 플랫폼은 메디컬 이미징 소프트웨어를 자동으로 개발합니다. 새로운 AI 모델을 신속하게 개발하여 신규 임상시험의 필요를 충족시킵니다. 

자동 메디컬 이미지 평가 소프트웨어를 개발하면 인터페이스를 구축하여 고객사 워크플로에 통합시킵니다. CRO나 코어랩이 사용하는 내부 시스템뿐 아니라 Rave Imaging 등의 플랫폼에 통합시킬 수 있습니다. 소프트웨어를 현장에 직접 설치할 수도 있고, 클라우드로 접근하여 현존하는 시스템에 맞추는 것도 가능합니다. Saliency의 원칙은 플랫폼 개발 시 데이터 프로세스를 언제나 의뢰사나 CRO 측에서 관리하게 하는 것입니다. 

자동 품질관리 기능 외에도 AI는 임상시험의 영역을 넓히는 데 기여할 것입니다. 특히 콜렉트앤홀드 시험에 많은 의뢰사들이 관심을 가지고 있습니다. 방대한 자원을 투자해 대리 엔드포인트용 이미지 데이터셋 수집이 이뤄지고 있습니다. 필요 시 이 영상들을 검토하고 결과를 제출하려면 수개월이 걸릴 수 있습니다. AI는 품질관리 대부분을 담당하고 쿼리와 분석을 실시해 훨씬 신속하게 데이터로부터 인사이트를 추출합니다.

 

모바일 모니터에 AI 접목

AI가 임상시험을 변화시킬 수 있는 또 한가지 영역은 모바일 모니터입니다. 환자로부터 정보를 일일 단위 또는 지속적으로 수집하여 시험 안정성을 개선하는 제품 개발을 예측하고, 환자와 교류할 수 있게 합니다. 그러나 이렇게 수집한 방대한 데이터를 전문가가 평가하는 것은 쉬운 일이 아닙니다. 정기적인 환자 방문을 보완하기 위해 추가적인 모바일 데이터 수집을 실시하는 데 이를 AI의 평가와 결합하면, 현재보다 더 많은 정보를 활용하여 임상시험을 성공적으로 수행할 수 있습니다. 

바이오마커의 발견 또한 약물 연구개발에서 점점 더 중요한 요소로 부상 중입니다. Saliency는 AI를 활용하여 이 절차를 자동화했습니다. Saliency의 플랫폼에서 통증이나 생존율 등 높은 수준의 환자 결과 정보를 예측하는 데 메디컬 이미지를 활용할 수 있고, 이미지의 특정 부분에서 특정 결과가 나올 확률을 예측할 수도 있습니다. 이를 통해 향후 임상 타깃을 위한 신규 바이오마커 후보를 선별할 수 있습니다. 

지금이야말로 메디컬 이미징에 AI를 적용할 때입니다. 임상 이미징 절차를 개선하기 위해 AI를 어떻게 적용할 수 있을지, 어떤 부분에서 가장 도움이 될지를 생각해봐야 합니다. 산업이 빠른 속도로 발전하고 있습니다. 메디데이터와 Saliency 같은 파트너가 여러분을 도와드릴 수 있습니다.

한편 AI는 플랫폼 없이는 적용할 수 없습니다. 알고리즘도 좋지만, 데이터 흐름 안에 들어가지 못하면 AI를 활용하기 어렵습니다. 

AI는 어느 분야에도 적용할 수 있습니다. 품질관리, 이미지 리뷰, 측정, 식별, 리뷰 이후 데이터 품질 체크 등등에 적용할 수 있습니다. RECIST 기준은 길이 측정에 초점을 두고 있지만, 용적 측정까지 자동화 할 수 있다면 또 어떤 발전이 있을까요? 종양 측정 분야에서 얼마나 많은 기회가 생길지 생각해볼 수 있습니다. 

Jannie Myung-In Jung Image

Jannie Myung-In Jung