인공지능으로 췌장암 진단 전 최대 3년까지 식별

메이요클리닉(Mayo Clinic)과 MD 앤더슨 암센터(MD Anderson Cancer Center) 연구진이 개발한 인공지능 모델은 CT 스캔에서 췌장암 징후를 놀라운 정확도로 감지했습니다. REDMOD(방사성학 기반 조기 발견 모델)라고 불리는 이 시스템은 테스트된 사례 중 약 73%에서 기존 진단보다 약 16개월 전에 질병을 식별할 수 있었습니다. 일부 시험에서는 AI가 의심스러운 패턴을 2년 이상 미리 인식했으며, 임상 확인 전 최대 3년까지 탐지 가능성이 있습니다.

췌장암은 2030년까지 미국에서 암 사망의 두 번째 주요 원인이 될 것으로 예상됩니다. 현재 진단의 85%는 질병이 이미 다른 장기로 퍼졌을 때 발생하므로 완치 치료가 상당히 어렵습니다. REDMOD는 정기 검사에서 최소한의 변화를 식별하여 이 시나리오를 뒤집을 수 있는 유망한 도구로 보입니다.

시스템이 인간의 눈에 보이지 않는 신호를 감지하는 방법

REDMOD는 명백한 종양을 찾지 않습니다. 대신 인간의 시각적 감지를 벗어나는 췌장 조직의 질감과 구조의 미묘한 변화인 방사성 패턴을 찾습니다. 이 모델은 969개의 CT 스캔을 통해 훈련되어 질병이 아직 치료 가능한 단계에서 질병의 초기 징후를 인식하는 방법을 학습했습니다.

정상 세포는 DNA에 성장에 영향을 미치는 돌연변이가 발생합니다. 췌장암은 이러한 변화가 영상 연구에서 눈에 보이거나 증상을 유발하는 종양으로 발전하는 데 종종 수년이 걸립니다. REDMOD는 종양이 임상적으로 나타나기 훨씬 전에 이러한 보이지 않는 진행을 포착할 수 있습니다.

인간 전문가의 분석을 능가하는 결과

연구진은 나중에 췌장암이 발생한 환자의 63개 CT 스캔과 건강한 개인의 430개 대조 스캔에서 REDMOD를 테스트했습니다. 시스템은 63건의 의심 사례 중 46건을 정확하게 식별하여 73%의 적중률을 달성했습니다.

동일한 스캔을 분석한 두 명의 방사선 전문의가 동시에 38.9%의 사례에서만 초기 징후를 발견했습니다. 그 차이는 상당한 이점을 나타냅니다. AI 모델은 전문가에 비해 조기 탐지 능력이 거의 두 배나 향상되었습니다.

테스트는 서로 다른 병원의 서로 다른 장비를 사용하여 두 개의 서로 다른 데이터 세트에서 반복되었습니다. 모든 시나리오에서 REDMOD는 일관된 성능을 유지했습니다. 여러 가지 테스트가 가능한 환자의 경우 AI는 몇 달 간격으로 테스트를 수행하더라도 광범위하게 일치하는 결과를 생성했습니다.

Leia Também

2026년 5월, 7개의 스마트워치가 비용 대비 이점으로 두각을 나타냄

Marathon은 Bungie의 레벨 디자인과 총격전으로 호평을 받았습니다.

연구에 따르면 AI를 통한 교육은 생성된 응답의 질을 향상시킵니다.

구현을 위한 과제와 다음 단계

이 연구에서는 건강한 개인 430명 중 81명이 REDMOD에 의해 용의자로 잘못 표시되었다는 중요한 점을 확인했습니다. 실제 시나리오에서 구현된다면 이러한 사람들은 부정적인 결과를 확인하기 전에 추가 테스트를 받게 될 것입니다. 이러한 특이성을 개선하는 것은 불필요한 절차를 피하기 위한 우선순위를 나타냅니다.

• 고위험군에 대한 전향적 검증
• 더 크고 다양한 인구에 대한 테스트
• 기존 임상 프로세스에 통합
• 모델 특이성 개선
• 다양한 병원 상황에서의 접근성

Mayo Clinic의 방사선 전문의 Ajit Goenka는 췌장암에서 생명을 구하는 데 가장 큰 장애물은 치료가 가능한 질병을 발견할 수 없다는 점이라고 말했습니다. “이제 이 AI는 정상적으로 보이는 췌장에서 암의 징후를 식별할 수 있으며 시간이 지남에 따라 다양한 임상 환경에서 안정적으로 이를 수행할 수 있습니다.”

진단 패러다임을 바꾸는 길

REDMOD의 진정한 잠재력은 다른 이유로 수행되는 일상적인 CT 스캔에 적용하는 데 있습니다. 의사들은 종종 관련 없는 증상을 조사하기 위해 췌장 검사를 지시합니다. REDMOD가 이러한 이미지를 정기적으로 모니터링하면 완치 치료가 여전히 효과적인 전임상 단계에서 암을 발견할 수 있습니다.

연구원들은 테스트를 더 크고 다양한 그룹으로 확장할 계획입니다. 또한 AI를 기존 의료 워크플로에 쉽게 통합할 수 있는지 조사할 예정입니다. 목표는 진행된 증상에 기반한 현재 진단을 조기 질병의 사전 차단으로 전환하는 것입니다.

연구 저자들은 시간이 지남에 따라 높은 안정성과 검증된 특이성과 결합된 대규모 임상 중심 데이터 세트에서 숨겨진 신호를 일관되게 감지하는 프레임워크의 입증된 능력이 AI 증강 조기 감지를 위한 견고한 기반을 마련한다는 점을 강조합니다. 연구자들은 지속적인 개발과 개선을 통해 현존하는 가장 치명적인 암 유형 중 하나에 대해 매우 유용한 시스템을 제공할 수 있을 것이라는 낙관론을 표현합니다.