Artificial intelligence is improving the detection of lung cancer(인공지능이 폐암의 감지를 개선시키고 있다.)
Machine learning systems for early detection could save lives.
조기 탐지를 위한 기계 학습 시스템은 생명을 구할 수 있다
Elizabeth Svoboda
Credit: Daniel Stolle(크레딧: 다니엘 스톨레)
After years of helping to train an artificial-intelligence (AI) system to find the early stages of lung cancer, Mozziyar Etemadi was thrilled when the computer found tumours(종양) in scans(정밀검사) of patients more accurately than trained radiologists(방사선 전문의) did1. He was even more excited when his team gave the system old computerized tomography( 단층촬영)(CT) scans of the chests of people who later developed lung cancer. No doctor had seen anything amiss(잘못된) in these early scans, but the machine did.
폐암의 초기 단계를 찾기 위해 인공 지능 시스템을 훈련시키는 것을 수 년 동안 도운 후, 모찌야르 에테마디는 컴퓨터가 훈련된 방사선 전문의들보다 더 정확하게 환자 스캔에서 종양을 발견했을 때 흥분했다. 그의 팀이 나중에 폐암에 걸린 사람들의 가슴을 컴퓨터 단층촬영(CT)으로 스캔했을 때 그는 훨씬 더 흥분했다. 이런 초기 스캔에서 잘못된 것을 본 의사는 없었지만 기계가 보았다.
“A human would say this was normal,” says Etemadi, a biomedical(생물의학) engineer at Northwestern University’s Feinberg School of Medicine in Chicago, Illinois. “But the AI was discovering these subtle(미묘한 복잡한) patterns, and it was very confident. It was finding(발견) the cancer.” After the machine completed a run(운영), Etemadi thought: “We just discovered this guy’s lung cancer a year or two before we would have otherwise.” His mind raced at the prospect of boosting(조력하는 것) the survival chances of thousands of people.
"인간은 이것이 정상이었다고 말할 것입니다,"라고 일리노이주 시카고에 있는 노스웨스턴 대학의 파인버그 의과대학의 생물의학 엔지니어 Etemadi는 말한다. "하지만 AI는 이러한 미묘한 패턴을 발견하고 매우 자신감에 차 있었습니다. 암을 찾아낸 것이었다고 말했다. 기계가 작동을 마친 후, 에테마디는 이렇게 생각했습니다: "우리는 우리가 그렇지 않았다면 1, 2년 전에 이 남자의 폐암을 발견했을 것입니다." 그의 마음은 수천 명의 생존 가능성을 높여 줄 것이라는 전망에 달려 있었다.
Nature Outlook: Lung cancer
자연 전망 : 폐암
Lung cancer is the deadliest cancer in the world — about 75% of those who have it die within five years of diagnosis. But when cancers are found early, the prognosis is much better. If tumours are small and confined to the lung, almost two-thirds of people survive for at least five years.
폐암은 세계에서 가장 치명적인 암으로 진단 후 5 년 이내에 사망하는 사람의 약 75 %가 사망합니다. 그러나 암이 일찍 발견되면 예후가 훨씬 좋습니다. 종양이 작고 폐에만 국한된 경우, 거의 3 분의 2의 사람들이 최소 5 년 동안 생존합니다.
The need for early detection has fuelled the development of AI systems that can detect ever-smaller lung tumours. The system Etemadi is working on — a joint initiative between Google, Northwestern University and other institutions — is one of several now moving towards clinical adoption. In July 2020, the University of Oxford, UK, announced an £11-million (US$14.3-million) research programme to use AI to help diagnose lung cancer.
조기 발견의 필요성은 더 작은 폐 종양을 탐지할 수 있는 AI 시스템의 개발에 박차를 가하고 있다. Etemadi가 연구하고 있는 시스템, 즉 Google, Northwestern University 및 기타 기관들 간의 공동 이니셔티브는 현재 임상 채택을 지향하는 여러 시스템 중 하나입니다. 2020년 7월, 영국 옥스퍼드 대학교는 폐암 진단을 돕기 위해 AI를 사용하기 위해 1,100만 파운드(1430만 달라)의 연구 프로그램을 발표했다.
Such developments promise to make lung-cancer screening more precise and accessible to all. But turning the new systems into clinical mainstays(주형) will require careful cultivation of the relationship between radiologists and the machines on which they depend.
이러한 발전은 폐암 검진을 더 정밀하고 모두에게 접근 가능하게 만들 것을 약속한다. 그러나 새로운 시스템을 임상 주형으로 바꾸려면 방사선 전문의와 그 시스템이 의존하는 기계 사이의 관계를 세심하게 계발해야 할 것이다.
Spot(발견하다) the tumour(종양을 찾아라)
About 70% of lung cancers are detected in the later stages of the disease when it is harder to treat, which partly explains why the 5-year survival rate is so low. Initial symptoms of lung cancer tend to be common maladies(병), such as a persistent(지속되는 ;만성) cough or fatigue, which are easy to dismiss as inconsequential(중요하지 않은). “People ignore a cough,” says oncologist Mariam Jamal-Hanjani at University College London’s Cancer Institute. “People often come to my clinic with metastatic(전이질병) disease,” she says, but by that stage effective treatment might already be out of reach.
폐암의 약 70%는 치료가 어려울 때 후기에 발견되는데, 이것이 왜 5년 생존율이 그렇게 낮은지를 부분적으로 설명해준다. 폐암의 초기 증상은 기침이나 피로가 지속되는 일반적인 질병으로, 중요하지 않은 것으로 치부하기 쉽다. 런던대학 암연구소의 종양학자인 마리암 자말-한자니는 "사람들은 기침을 무시합니다"라고 말한다. "사람들은 종종 전이성 질환으로 내 병원에 오지만, 그 단계까지는 이미 효과적인 치료법이 손에 잡히지 않을 수도 있다"고 그녀는 말한다.
Studies at the University of California, Los Angeles, and elsewhere show that regular screening(조사) of at-risk (위험이 있는)populations can detect many cases of lung cancer much earlier, reducing mortality by 20–30%. The US Preventive Services Task Force, a volunteer group that makes recommendations for clinical preventative services, now recommends annual CT(computerized tomor graphy) screening in groups at high risk (고위험)of lung cancer, such as past or current smokers.
캘리포니아 대학, 로스앤젤레스 및 기타 연구 결과에 따르면 위험에 처한 모집단을 정기적으로 선별하면 훨씬 일찍 폐암의 많은 사례를 발견할 수 있어 사망률을 20-30%까지 줄일 수 있다. 임상 예방 서비스를 권하는 자원봉사단체인 미국예방서비스 태스크포스는 현재 과거 또는 현재 흡연자와 같이 폐암의 위험이 높은 집단에서 매년 CT검진을 권고하고 있다.
But the number of radiologists who assess lung scans has not increased enough to keep up with rising demand. “There are so many CT scans, so many people,” says Ulas Bagci, a computer-vision(컴퓨터 영상) specialist at the University of Central Florida in Orlando. This intense workload(작업량) can cause overstretched(과도하게 뻗다) radiologists to make mistakes.
하지만 폐검사를 평가하는 방사선 전문의의 수는 증가하는 수요를 따라가지 못할 만큼 증가하지 않았습니다. "너무 많은 CT 검사들이 있고, 너무 많은 사람들이 있어요," 라고 올랜도에 있는 센트럴 플로리다 대학의 컴퓨터 비전 전문가 울라스 백치가 말했어요. 이러한 과도한 작업량은 방사선과 의사가 실수를 하게 만들 수 있습니다.
The limits of human vision also make it easy for radiologists to overlook (간과하다)tiny malignant(병변) lesions. Up to 35% of lung nodules(뿌리 혹) are missed at the initial screening, for example. Using AI systems can help on both counts by shifting some of the burden from busy specialists and detecting lung spots(발견 위치)) invisible to the naked eye.
인간의 시력의 한계 또한 방사선 전문의들이 작은 악성 병변을 쉽게 간과할 수 있게 한다. 예를 들어 폐결절의 최대 35%가 초기 선별에서 누락된다. AI 시스템을 사용하는 것은 바쁜 전문의들의 부담의 일부를 옮기고 육안으로 보이지 않는 폐 부위를 감지함으로써 두 가지 계산에 모두 도움이 될 수 있다
Radiologists already use computer-aided diagnostic tools to help them to spot malignant tumours. (악성종양)Typically, a human programmer tells the system what features to look for but the computers flag (표시하다)a lot of presumed(추정하다) malignancies that are actually benign양성의). “The radiologists didn’t like it because they’d need to click each of them” to check, which wasted a lot of time, Bagci says.
방사선 전문의들은 이미 악성 종양을 발견하는 것을 돕기 위해 컴퓨터 보조 진단 도구를 사용한다. 전형적으로, 인간 프로그래머는 무슨 특징을 찾아야 하는지를 시스템에 알려주지만, 컴퓨터는 실제로 양성인 것으로 추정되는 많은 악성 종양을 표시합니다. "방사선사들은 각각의 버튼을 클릭해야 하기 때문에 그것을 많은 시간을 낭비하는 것으로 좋아하지 않았다"고 Bagci는 말한다
More recent AI systems are based on a principle called deep learning. Rather than looking for tumour features defined in advance by a programmer, deep-learning systems figure out (생각해내다)for themselves what a tumour is from real-world examples(사례). Researchers give the systems a large data set comprising thousands of people’s lung CT scans, some with cancer and some without. From this, the machines learn for themselves what a lung cancer nodule looks like.
더 최근의 AI 시스템은 딥러닝이라고 불리는 원리를 기반으로 한다. 프로그래머에 의해 미리 정의된 종양 특징을 찾기보다는, 심층 학습 시스템은 실제 사례에서 종양이 무엇인지 스스로 파악합니다. 연구원들은 이 시스템에 수천 명의 사람들의 폐 CT 스캔들로 구성된 대규모 데이터 세트를 제공하고 있는데, 일부는 암이 있고 일부는 그렇지 않습니다. 이것으로부터, 그 기계들은 폐암 결절이 어떻게 생겼는지 스스로 배웁니다.
The more training scans the systems view, the more reliably they can distinguish lung tumours from benign splotches.(얼룩 반점) And they do so more accurately than older, non-AI systems. Some of the deep-learning systems also give clinicians(임상전문가) an estimate(추정치) of how confident they are in their judgement, which can further inform clinical decision-making.
시스템이 더 많은 훈련 스캔을 볼수록 폐 종양과 양성 스팟을 더 확실하게 구분할 수 있습니다. 그리고 그들은 오래된 비AI 시스템보다 더 정확하게 그렇게 합니다. 또한 일부 딥러닝 시스템은 임상전문가가 자신의 판단에 얼마나 확신을 갖고 있는지 추정할 수 있으며, 이는 임상적 의사결정에 더 많은 정보를 제공할 수 있다
Going deeper
더 깊게
Etemadi’s system relies on this deep-learning approach to identify lung tumours on CT scans. In 2019, he and his team reported that their system correctly identified the early stages of lung cancer 94% of the time, outperforming a panel of 6 veteran radiologists1.
Etemadi의 시스템은 CT 스캔에서 폐 종양을 식별하기 위해 이러한 딥러닝 접근법에 의존합니다. 2019년, 그와 그의 팀은 그들의 시스템이 6명의 베테랑 방사선 전문의 패널1을 능가하는 94%의 시간 동안 폐암의 초기 단계를 정확하게 식별했다고 보고했다.
Mozziyar Etemadi develops artificial-intelligence systems that find early stage lung cancer.Credit: Ddent photo
Moziyar Etemadi는 초기 폐암을 발견하는 인공 지능 시스템을 개발한다.크레딧: 덴트 사진
The researchers trained the system using a database of more than 40,000 CT scans — not just current ones, but also scans from before people received a lung cancer diagnosis. During this training period, the scientists told (소식을 전하다)the computer which early-stage scans turned out to contain cancerous spots and which did not. Over time, the computer learnt which image properties (영상특성)separated malignant spots(반점) from benign ones, and it became better and better (더욱 더 좋게)at flagging(표시하다) early signs of cancer.
연구원들은 4만 개 이상의 CT 검사의 데이터베이스를 사용하여 시스템을 훈련시켰는데, 이는 현재 것들뿐만 아니라 사람들이 폐암 진단을 받기 전의 검사들까지이기도 하다. 이 훈련 기간 동안, 과학자들은 컴퓨터에 어떤 초기 단계의 검사가 암성 반점이 있는 것으로 판명되기도 하였고 어떤 스캔은 그렇지 않기도 하였다고 말했다. 시간이 흐르면서, 컴퓨터는 어떤 이미지 특성이 악성 반점과 양성 반점을 구분하는지 알게 되었고, 암의 초기 징후를 점점 더 잘 관찰하게 되었다.
The system’s ability to analyse an entire 3D CT scan, rather than just a sequence of 2D slices(쪼가리), also improves its accuracy. What’s more, (더구나 게다가)3D scans provide more diagnostic information about features such as blood vessels (혈관)that are not part of the main tumour, Etemadi says. “The 3D volume(크기는) starts highlighting areas far away from the tumour. It has shown us some things we wouldn’t expect. We’re opening up(열어보고 있다 즉 개척하다) a whole new area of scientific enquiry.”
또한 시스템은 일련의 2D 슬라이스가 아닌 전체 3D CT 스캔을 분석할 수 있어 정확도가 향상됩니다. 게다가, 3D 스캔은 주요 종양의 일부가 아닌 혈관 같은 기능에 대한 더 많은 진단 정보를 제공한다고 Etemadi는 말합니다. "3D 볼륨은 종양으로부터 멀리 떨어진 부분을 강조하기 시작합니다. 그것은 우리에게 우리가 기대하지 않을 몇가지 것들을 보여주었다. 우리는 완전히 새로운 과학 조사 분야를 개척하고 있습니다."
Bagci and his team have developed another deep-learning AI model that is similarly skilled at detecting nodules that indicate early lung cancer. The computer correctly identified tiny specks(반점 입자) of cancer on CT scans about 95% of the time(그 때) — much higher than the 65% accuracy rate that radiologists typically achieve.
Bagci와 그의 팀은 초기 폐암을 나타내는 결절을 탐지하는 유사한 기술을 가진 또 다른 딥러닝 AI 모델을 개발했다. 컴퓨터는 CT 스캔에서 약 95%의 미세한 암 자국을 정확하게 식별했으며, 이는 방사선사가 일반적으로 달성하는 65%의 정확도보다 훨씬 높은 수치입니다.
Both Bagci’s and Etemadi’s systems view the scans(검사) multiple times.(여러 번) First, they scan for irregular areas such as oddly shaped blotches(얼룩) that might be cancerous. Then, they assess each of these target areas in more detail to make a final judgement about whether they are malignant.(악성)
Bagci와 Etemadi의 시스템은 스캔을 여러 번 봅니다. 첫째, 그들은 암적으로 보일 수 있는 이상한 모양의 얼룩과 같은 불규칙한 부위를 스캔한다. 그런 다음, 그들은 이러한 목표 영역 각각을 더 자세히 평가하여 그것들이 악성인지 여부를 최종 판단한다.
Bagci’s team trained their system on CT scans containing tumours around 1–3 milli-metres in size, which many radiologists find hard to spot. “It’s very difficult to visually search all the pixels (화소:텔레비전·컴퓨터 화면의 화상을 구성하는 최소 단위)on the screen. There’s a huge rate of missing those,” Bagci says. Because his AI system is trained on thousands of lung scans(반점), it is highly optimized to detect tiny problem areas that specialists might overlook, he says. “You are able to use more data and more powerful algorithms. It started finding the small nodules(뿌리) better.”
Bagci의 팀은 많은 방사선과 의사들이 발견하기 어려운 약 1~3 밀리미터 크기의 종양이 포함된 CT 스캔으로 시스템을 훈련시켰다. "화면에 있는 모든 픽셀을 시각적으로 검색하는 것은 매우 어렵습니다. "이러한 것들을 놓치는 비율이 매우 높습니다."라고 Bagci는 말합니다. 그의 AI 시스템은 수천 개의 폐반점에 대해 훈련되어 있기 때문에 전문가들이 간과할 수 있는 작은 문제 영역을 탐지하는 데 매우 최적화되어 있다고 그는 말한다. "더 많은 데이터와 더 강력한 알고리즘을 사용할 수 있습니다. 작은 결절(뿌리)들을 더 잘 찾기 시작했습니다."
Another deep-learning system, developed by Jamal-Hanjani’s group at University College London and London’s Institute for Cancer Research, tackles(해결하다) the related problem of detecting early signs of lung cancer recurrence(절제:외과 수술) after initial treatment. The team reported2 this year that after they trained the computer on hundreds of images of early stage lung tumours, the system figured out that tumours with regions low in immune cells are more likely to trigger a relapse(재발) after surgical resection(절제 or chemotherapy(화학요법). The scientists think this is because these tumours have some form of cloaking(은폐하다) mechanism to evade the immune system, allowing cells to divide unchecked(억제되지 않은 ). These warnings of a potential relapse could help radiologists to identify people who need careful monitoring, Jamal-Hanjani says.
런던대학과 런던 암연구소의 자말-한자니 연구팀이 개발한 또 다른 심층 학습 시스템은 초기 치료 후 폐암 재발의 조기 징후를 감지하는 관련 문제를 다루고 있다. 연구팀은 올해 초기 폐종 이미지 수백 개를 대상으로 컴퓨터를 훈련시킨 결과 면역세포가 적은 부위가 있는 종양이 외과적 절제술이나 화학요법을 거쳐 재발할 가능성이 높다는 사실을 밝혀냈다고 보고했다. 과학자들은 이 종양들이 면역체계를 피하기 위한 어떤 형태의 은폐 메커니즘을 가지고 있기 때문에 세포들이 억제되지 않은 채 분열될 수 있기 때문이라고 생각한다. 잠재적 재발에 대한 이러한 경고는 방사선 전문의들이 세심한 감시가 필요한 사람들을 식별하는 데 도움이 될 수 있다고 자말-한자니는 말한다.
Wide screen
넓은 화면
One of the main advantages of deep- learning systems is that they can speed(앞당기다) the advent (출현)of population screening, which is aimed at catching lung cancer much earlier. There is strong evidence that such programmes would be effective.
딥러닝 시스템의 주요 장점 중 하나는 훨씬 더 일찍 폐암을 잡아내는 것을 목표로 하는 인구검사의 출현을 앞당길 수 있다는 것이다. 그러한 프로그램들이 효과적일 것이라는 강력한 증거가 있다.
Researchers at Erasmus University Medical Center in Rotterdam, the Netherlands, for example, recently studied3 the impact of a screening-programme trial in Belgium and the Netherlands. The team followed(추적하다) more than 15,000 current or former smokers over 50 years of age for at least 10 years. By the end of the trial, people who had undergone regular screening were about 25% less likely to die of lung cancer than were the controls — and only 1.2% of participants had a false-positive scan, which indicated cancer where it was not actually present.
예를 들어, 네덜란드 로테르담에 있는 에라스무스 메디컬 센터의 연구원들은 최근 벨기에와 네덜란드에서 진행된 스크린닝-프로그래밍 시험의 영향을 연구했다. 그 팀은 적어도 10년 동안 50세 이상의 현재 또는 이전의 15,000명 이상의 흡연자들을 추적했다. 실험이 끝날 무렵 정기검진을 받은 사람은 대조군보다 폐암으로 사망할 확률이 25% 낮았고, 참가자의 단지1.2%만이 거짓 양성 반점을 가젔은네 이는 실제로는 나타나지 않은 암을 표시한다
A US actuarial (보험계리인)analysis4 found that a national lung cancer screening(검사) programme for high-risk(고위험의) individuals would cost(비용이되다) about $19,000 per life-year saved(절약된). This compares favourably with existing screening programmes for breast(유방), cervical(자궁암) and colorectal(결장 )cancers.
미국의 보험수리적 분석4에 따르면 고위험자를 위한 국가 폐암 검진 프로그램은 연간 약 19,000달러의 비용이 절감된다. 이것은 유방암, 자궁경부암, 대장암에 대한 기존의 검사 프로그램과 비교하여 유리하다.
With AI doing some of the heavy lifting, lung cancer screening programmes could prevent similar numbers of deaths at an even lower cost thanks to increased automation and without imposing as much of a burden on radiologists. Daniel Tse, a product manager at Google Health, says that AI-assisted screening could help to identify not just people with early-stage lung cancer, but also those who are at high risk of developing lung cancer within the next few years. AI is “not a panacea(만명통치약)” to simplify broad-based screening, Tse says, “but we think it can be a very powerful tool”.
AI가 일부 힘든 일에 나서면서, 폐암 검진 프로그램은 방사선 전문의들에게 많은 부담을 주지 않고 자동화의 증가 덕분에 훨씬 더 적은 비용으로 유사한 수의 사망을 예방할 수 있다. 구글 헬스사의 제품 매니저인 다니엘 체는 AI 지원 검사를 통해 초기 폐암에 걸린 사람들뿐만 아니라 향후 몇 년 안에 폐암에 걸릴 위험이 높은 사람들을 확인할 수 있을 것이라고 말한다. Tse는 "AI는 광범위한 기반 검사를 단순화하는 만병통치약은 아니지만 매우 강력한 도구가 될 수 있다고 생각한다"고 말합니다.
Jamal-Hanjani says radiologists will soon be able to combine screening results with genetic(유전데이터) data to create even more customized(맞춤화된) treatment plans(치료요법계획). As deep-learning systems churn(뒤틀림) through different kinds of large data sets, such as CT scans, genetic sequences유전자서열) and treatment histories(치료기록), they often discover unexpected relationships. For instance, a pattern that shows up on someone’s CT scan might predict that the tumour will have a particular genetic make-up. A clinician could follow this up(추적하다) by sequencing (차례로 배열하다)their tumour cells to see whether this prediction is correct. This could help the care team to choose the most appropriate type of treatment for that specific cancer variety.
자말-한자니 박사는 방사선 전문의들이 검사 결과와 유전자 데이터를 결합하여 훨씬 더 맞춤화된 치료 계획을 만들 수 있을 것이라고 말합니다. 심층 학습 시스템이 CT 스캔, 유전적 시퀀스 및 치료 기록과 같은 다양한 종류의 대형 데이터 세트를 통해 뒤 섞임에 따라, 그들은 종종 예상치 못한 관계를 발견한다. 예를 들어, 누군가의 CT 스캔에 나타나는 패턴은 종양이 특정한 유전자 구성을 가질 것이라고 예측할 수 있다. 임상의는 이 예측이 정확한지 확인하기 위해 종양 세포서열을 배치함으로서 이를 추적할 수 있다 이는 특정한 암의 다양성에 대한 적절한 치료형태를 선택할 치료팀을 도울 수 있다
An evolving partnership
진화하는 파트너십
Before scenarios like these can become a reality, doctors and AI researchers need to address urgent questions about how best to interpret the results that computers find — and how to divide the diagnostic workload between machines and trained physicians.
이러한 시나리오가 현실화되기 전에 의사와 AI 연구자들은 컴퓨터가 발견한 결과를 가장 잘 해석할 수 있는 방법과 진단 워크로드를 기계와 숙련된 의사 간에 나누는 방법에 대한 긴급한 질문을 해결해야 합니다.
That deep-learning systems can outperform humans on some diagnostic tasks does not mean that they will take over radiologists’ jobs. Deep-learning systems can supply diagnostic guidance, engineers say, but they cannot yet replace human specialists. They are likely to enhance physicians’ diagnostic skills, rather than make them obsolete(구식의), says Bagci. “Computers are good at very local tasks. Humans are much better at global tasks,” such as rendering a definitive(최종적인 명확한) diagnosis from multiple information sources, including blood tests and physical examinations as well as scans, he explains.
심층 학습 시스템이 일부 진단 과제에서 인간을 능가할 수 있다는 것은 그들이 방사선 전문의의 일을 대신할 것이라는 것을 의미하지는 않는다. 심층 학습 시스템은 진단 지침을 제공할 수 있지만 아직 인간 전문가를 대체할 수는 없다고 기술자들은 말한다. 그들은 의사들의 진단 기술을 쓸모없게 만드는 것이 아니라 향상시켜 줄 것 같다고 Bagci는 말한다. "컴퓨터는 매우 지역적인 작업에 능숙합니다. 혈액검사, 신체검사, 스캔 등 여러 정보원을 통해 최종 진단을 내리는 등 인간이 글로벌 업무에 훨씬 뛰어납니다."라고 그는 설명합니다.
Tse agrees with this assessment, adding that humans are better at learning quickly about the minutiae(소량) of unusual lung cancer cases. AI systems, on the other hand, excel(띄어나다) at flagging common types of early cancerous lesion,(병변) having been trained on data sets that include thousands of such cases. “The majority of cases that a doctor sees are bread and butter,” Tse says. “That’s where we want to assist. We want to help people be more efficient with their time.”
Tse는 이 평가에 동의하고, 인간이 비정상적인 폐암의 소수에 대해 더 빨리 배우는 데 더 뛰어나다고 덧붙였다. 반면에, AI 시스템은 그러한 사례 수천 개를 포함하는 데이터 세트에 대한 훈련을 받은, 일반적인 유형의 초기 암 병변에 탁월하다. "의사가 보는 대부분의 경우는 빵과 버터입니다"라고 Tse는 말한다. "그것이 우리가 돕고 싶은 부분입니다. 우리는 사람들이 시간을 더 효율적으로 보낼 수 있도록 돕고 싶습니다."
More from Nature Outlooks
자연 전망에서 자세히 보기
There are issues of trust to be overcome if radiologists and AI are to work in harmony. By tapping into (두드리다.활용하다)previously unimaginable stores of computing power(성능), AI systems can now assess millions of different variables in a single scan before rendering a judgement of, say, “almost certainly benign” or “75% chance of malignancy”. But the more complex the image analysis, the harder it is for the system to describe what it is doing in ways that humans can understand. Millions of equations, Bagci says, do not translate easily into explanations of why a particular diagnostic recommendation has been made. “These algorithms are really a black box. Why cancer? It doesn’t tell you.”
방사선 전문의와 AI가 조화를 이루려면 극복해야 할 신뢰 문제가 있다. 이전에는 상상할 수 없었던 컴퓨팅 성능 저장소를 활용함으로써, AI 시스템은 이제 단일 스캔에서 수백만 개의 다양한 변수를 평가하여 "거의 확실히 양성" 또는 "악성의 75% 확률"이라는 판단을 내릴 수 있습니다. 하지만 이미지 분석이 더 복잡할수록, 시스템이 인간이 이해할 수 있는 방법으로 무엇을 하고 있는지 설명하는 것은 더 어렵습니다. Bagci는 수백만 개의 방정식이 왜 특정한 진단 권고안이 만들어졌는지 설명으로 쉽게 해석되지 않는다고 말한다. "이 알고리즘들은 정말 블랙박스입니다. 왜 암이죠? 말해주지 않아요."
Researchers are starting to devise diagnostic systems that provide clearer explanations of their advice. Bagci, along with a team at the US National Institutes of Health, has recruited(모집하다) radiologists to help develop a new type of deep-learning system. When they train the software, researchers use an eye- tracking device to capture how the specialists analyse each scan. In initial tests, this radiologist-trained system is proving more than 90% accurate5 in detecting cancerous spots. “The AI learns where the radiologists look,” Bagci says.
연구원들은 그들의 조언에 대한 명확한 설명을 제공하는 진단 시스템을 고안하기 시작했다. Bagci는 미국 국립 보건원의 팀과 함께 새로운 유형의 심층 학습 시스템을 개발하는 것을 돕기 위해 방사선 전문의들을 모집했습니다. 소프트웨어를 훈련시킬 때, 연구원들은 전문가들이 각 검사를 분석하는 방법을 포착하기 위해 눈 추적 장치를 사용합니다. 초기 테스트에서 방사선사가 훈련한 이 시스템은 암 부위를 감지하는 데 있어 90% 이상의 정확성을 입증하고 있다. "AI는 방사선 전문의들이 어디에서 보이는지를 알게 됩니다,"라고 Bagci는 말한다.
Training deep-learning systems with such input, as well as with radiologists’ own analyses of why certain spots look like cancer, can help the systems to draw on more-transparent and understandable criteria for their results. To justify a recommendation, for instance, a system might point out that a spot has a wavy(물결무늬) border or that a lesion’s characteristics have changed since the previous scan.
특정 지점이 암처럼 보이는 이유에 대한 방사선 전문의 자체 분석과 함께 그러한 입력을 통해 심층 학습 시스템을 훈련하는 것은 시스템이 결과에 대해 더 투명하고 이해할 수 있는 기준을 도출하는 시스템을 도울 수 있다. 예를 들어 권장 사항을 정당화하기 위해 시스템은 얼룩점에 물결 테두리가 있거나 이전 스캔 이후 병변의 특성이 변경되었음을 지적할 수 있다.
Gradual progression
점진적 진행
The difficulty of integrating AI into radiologists’ workflow leads Etemadi to envisage lung cancer diagnosis becoming more automated in a series of small, gradual steps. A computer system could initially do a baseline reading of each lung scan and present them in the order the doctor prefers — from easiest to hardest to interpret, for instance, or from the highest to the lowest likelihood of lung cancer.
AI를 방사선 전문의의 작업 흐름에 통합하는 어려움은 Etemadi로 하여금 일련의 작고 점진적인 단계에서 더 자동화되는 폐암 진단을 상상하게끔 한다.. 컴퓨터 시스템은 처음에는 각 폐검사를 판독하는 베이스라인을 그리고 의사가 선호하는 순서대로(예: 가장 쉽게 해석할 수 있는 것부터 가장 높은 것에서 부터 낮은 폐암 가능성까지) 그것들을 제공한다
The advantage of adopting AI incrementally is that radiologists will not have to suddenly change the way they work. Deep-learning tools can be incorporated into the existing computer-aided diagnosis systems, says engineer Andrew Berlin at the Draper Laboratory in Cambridge, Massachusetts.
인공지능을 점진적으로 채택하는 것의 이점은 방사선과 의사들이 갑자기 그들의 작업 방식을 바꾸지 않아도 된다는 것이다. 딥러닝 도구는 기존의 컴퓨터 보조 진단 시스템에 통합될 수 있다고 매사추세츠 캠브리지에 있는 드레이퍼 연구소의 엔지니어 Andrew Berlin은 말합니다.
As clinicians and engineers feed(먹이를 주다 ever more lung CT scans into deep-learning systems, privacy must remain paramount,(중요한) says Andrew Crawford, policy counsel for the Center for Democracy and Technology in Washington, DC. “I am all in favour of using technology to drive(도출하다) better patient outcomes, as long as you’re doing (수행하다)that’s going to engender(생기를 띠다,불러일으키다)trust” he says.
임상의와 엔지니어가 더 많은 폐 CT 스캔을 딥 러닝 시스템에 제공함에 따라 개인 정보 보호가 가장 중요하다고 워싱턴 DC에 있는 민주주의 및 기술 센터의 정책 고문 인 Andrew Crawford는 말합니다. "나는 모두가 신뢰를 불러 일으키는 방식으로 수행하는 한 더 나은 환자 결과를 도출하기 위해 기술을 사용하는 것을 선호합니다."라고 그는 말합니다.
Etemadi points out that Google and many AI-research institutions already have some privacy measures in place(가동중인)such as removing names from lung-scan data and obscuring the date each scan was taken.
에테마디는 구글과 많은 인공지능 연구 기관들이 이미 폐 스캔 데이터에서 이름을 삭제하고 각 스캔이 수행된 날짜를 모호하게 하는 등 사생활 보호 조치를 취하고 있다고 지적한다
If developers can navigate(길을 찾다 헤처나가다) the very human concerns that go along with outsourcing(외부에 위탁하다) some precision tasks to AI systems, lung cancer specialists who try the new tools will not want to go back, Bagci says. “Two brains are better than one. It’s going to make radiologists’ and other physicians’ jobs easier.”
개발자들이 AI 시스템에 몇 가지 정밀 작업을 아웃소싱하는 것과 함께 바로 인간의 우려를 헤쳐나갈 수 있다면, 새로운 도구를 시도하는 폐암 전문가들은 되돌아가기를 원하지 않을 것이라고 Bagci는 말한다. "두 두뇌가 한 두뇌보다 낫다. 방사선 전문의와 다른 의사들의 업무가 쉬워질 것입니다."