새로운 생성형 AI(Generative AI) 모델 'CytoDiffusion'가 혈구 분석에서 전문가를 능가하다

영국 연구진이 개발한 획기적인 인공지능 시스템이 백혈병(leukemia) 및 기타 혈액 질환을 인간 전문가보다 높은 정확도로 탐지할 수 있음을 입증했습니다. CytoDiffusion로 알려진 이 시스템은 이미지 생성기인 DALL-E와 같은 기술을 뒷받침하는 생성형 AI(Generative AI)를 활용하여 혈구의 미시적 구조를 분석합니다. 중요한 점은 이 모델이 스스로의 불확실성을 수학적으로 정량화하는 '초인적' 능력을 도입해, 진단이 애매할 때 자신감 넘치는 잘못된 예측을 제공하는 대신 임상의에게 경고한다는 것입니다.

이 연구는 University of Cambridge, University College London (UCL), Queen Mary University of London의 협력 팀이 주도했으며 이번 주 저널 Nature Machine Intelligence에 게재되었습니다. 이 개발은 헬스케어 AI(Healthcare AI) 분야에서 단순한 패턴 인식을 넘어 형태학적 심층 이해로의 중요한 전환을 의미하며, 혈액학 진단 워크플로를 변화시킬 잠재력을 지닙니다.

표준 분류를 넘어서: 생성형 AI의 힘

전통적인 의료 AI 도구는 일반적으로 "지도 학습"을 사용해 이미지를 미리 정의된 범주(예: "정상" 대 "질환")로 분류하도록 훈련됩니다. 명확한 사례에는 효과적이지만, 이러한 모델은 초기 단계 혈액암에서 발견되는 미묘하고 불규칙한 변이에 자주 어려움을 겪습니다. 또한 보지 못한 데이터에 직면했을 때 잘못된 추측에 높은 확률 점수를 부여하는 등 "과신"하는 경향이 있습니다.

CytoDiffusion은 다른 접근 방식을 취합니다. 생성형 AI 기법, 특히 확산 모델(diffusion models)을 활용함으로써 시스템은 정상 및 비정상 혈구가 어떻게 생겼는지에 대한 전체 지형을 학습합니다. 단지 두 범주 사이에 선을 그리는 대신 세포 형태의 복잡한 분포를 이해합니다. 이를 통해 전통적인 모델—심지어 피로한 인간의 눈도—놓칠 수 있는 희귀 이상 및 '엣지 케이스'를 탐지할 수 있습니다.

"우리 모델은 표준 AI 분류기와는 다르게 작동합니다."라고 캠브리지 대학의 제1저자 사이먼 델타달(Simon Deltadahl)은 설명했습니다. "혈구 구조에 대한 포괄적인 이해를 구축합니다. 정확도를 테스트했을 때 시스템은 인간보다 약간 우수했습니다. 그러나 진정으로 두드러진 점은 스스로 불확실할 때를 안다는 점입니다."

의학적 진단(Medical Diagnosis)에서의 "신뢰도" 문제 해결

의학적 진단(Medical Diagnosis)에서 가장 지속적인 도전 과제 중 하나는 인간 판단의 가변성입니다. 혈액학자들은 어려운 혈액 도말에서 종종 의견이 일치하지 않으며, 피로는 오류로 이어질 수 있습니다. 이전의 AI 모델은 피로 문제를 해결했지만 새로운 위험을 야기했습니다: 오만함입니다. 표준 AI는 혼란스러운 세포를 자신이 암기한 패턴과 비슷하다는 이유만으로 99%의 신뢰도로 "백혈병"으로 분류할 수 있습니다. 실제로는 양성 유사체일지라도 말입니다.

CytoDiffusion은 진단과 함께 "불확실성 점수"를 제공함으로써 이를 해결합니다. AI가 학습한 알려진 질병 분포와 명확히 일치하지 않는 세포 구조를 만났을 경우, 강제로 결론을 내리는 대신 전문가 검토 대상으로 표시합니다.

검증 테스트에서 시스템은 다음을 입증했습니다:

• 민감도 향상: 전문가들이 처음에는 간과한 백혈병 및 기타 악성 종양의 미세한 징후를 탐지했습니다.
• 신뢰할 수 있는 보정: 모델의 신뢰도 수준은 정확도 비율과 정확히 일치했습니다. "결코 확실하다고 말한 뒤 틀리지 않을 것이다"라는 점은 최근 경험이나 기대에 의해 편향될 수 있는 인간 직관에 비해 뚜렷한 이점입니다.

비교: AI 대 인간 전문가 분석

다음 표는 CytoDiffusion 시스템과 전통적인 혈액학자의 수동 분석 간에 관찰된 주요 성능 차이를 요약합니다.

임상 워크플로의 변화

CytoDiffusion의 도입은 혈액학자를 대체하려는 것이 아니라 그들의 역량을 보강하려는 의도입니다. 일반적인 병원 환경에서 주니어 의사나 기술자는 긴 근무 후 혈액 도말을 수시간 동안 검토해야 할 수 있으며, 이는 진단 오류가 발생하기 쉬운 상황입니다.

"제가 주니어 혈액학 의사로서 직면한 임상적 문제는 하루 일과 후에 분석해야 할 혈액 도말이 많았다는 점입니다."라고 Queen Mary University of London의 공동 책임 저자 Dr. Suthesh Sivapalaratnam은 지적했습니다. "인간은 도말의 모든 세포를 볼 수 없습니다—그건 불가능합니다. 우리 모델은 그 과정을 자동화하고 일상적인 사례를 선별하며, 비정상적인 점을 인간 검토를 위해 강조 표시할 수 있습니다."

정밀한 필터 역할을 함으로써 AI는 전문가들이 가장 복잡하고 중요한 사례에 집중하도록 보장합니다. 이러한 "휴먼 인 더 루프(human-in-the-loop)" 접근법은 AI의 지치지 않는 처리량과 경험 있는 의사의 미묘한 의사결정을 결합하여 환자 안전을 향상시킵니다.

생명공학(Biotechnology)에 대한 향후 의미

CytoDiffusion의 성공은 창작 예술을 넘어 생성형 모델의 사용을 검증합니다. 생명공학(Biotechnology) 분야에서는 이 접근법을 다른 조직 유형의 이상을 탐지하거나 "불확실성"이 중요한 변수인 복잡한 유전체 데이터를 분석하는 데 적용할 수 있습니다.

규제 기관이 병원 내 AI 통합을 계속 평가함에 따라, 시스템이 "모르는 것을 아는" 능력은 필수 안전 기능이 될 수 있습니다. CytoDiffusion은 의학 분야에서 설명 가능하고 신뢰할 수 있는 AI의 새로운 기준을 제시하며, 혈액 진단이 더 빠르고 저렴하며 무엇보다도 더 안전해지는 미래에 한걸음 더 다가가게 합니다.