진단 인공지능이 신장이식 거부반응 빠르게 찾아낸다

[이은미]

출처 : http://www.seminartoday.net/news/articleView.html?idxno=20294

신장이식은 만성신부전으로 신장기능이 현저히 저하된 환자가 대상이 되며, 신장이식은 이러한 만성신부전 환자들에게 최선의 치료법으로 선택되고 있다.

이식 가능 여부는 수혜자 및 기증자 검사 후 면역 적합성과 이상 소견이 없음을 확인한 후 시술하게 되지만, 신장이식 후 나타날 수 있는 거부반응을 진단하기 위해서는 신장에서 채취한 병리 조직을 슬라이드로 만들어 병리과 전문의가 직접 분석해 왔다. 하지만 모든 부분을 다 분석하는 것은 시간적으로 불가능해 일부분만 판독하고 있다.

국내 연구진이 AI기술로 신장이식 수술 후 나타날 수 있는 거부반응 여부를 정확하고 빠르게 진단해낼 수 있다는 연구 결과가 발표됐다. 서울아산병원 융합의학과 김남국 교수와 병리과 고현정 교수팀은 AI 기술을 개발해 병리 조직 슬라이드를 판독해 신장이식 수술 후 항체매개면역거부반응 여부를 진단, 적용한 결과, 병리과 전문의가 직접 판독한 정답과 비교해 약 90%의 정확도를 보였다고 밝혔다.

판독 시간도 평균적으로 약 13분밖에 걸리지 않는 것으로 나타났으며, AI로 신장 조직을 분석한 후 병리과 전문의가 추가적으로 판독하면, 혹시 모를 진단 오류 발생 가능성과 진단에 걸리는 시간이 크게 줄어들 것으로 기대된다.

특히, 신장이식 후 나타날 수 있는 거부반응 중 하나인 항체매개면역거부반응은 그동안 완전히 예측할 수는 없었다. 따라서 수술 후 항체매개면역거부반응이 의심되면 환자의 신장 조직을 채취한 후 특정 면역염색 기법을 적용해 세뇨관 주위 모세혈관(peritubular capillary)의 개수를 세야 한다. 염색된 모세혈관이 일정 기준보다 많으면 신장이식 거부반응이 실제로 있을 가능성이 매우 높다고 진단한다.

또한 병리과 전문의가 직접 현미경으로 수백 배 확대해 육안으로 분석하고 있다. 하지만 모세혈관이 매우 많다보니 일일이 다 보는 것이 시간이 매우 오래 걸릴 뿐만 아니라, 일부분만 보더라도 눈에 피로가 쌓여 정확도가 떨어질 수밖에 없었다. 일반적으로 거부반응을 예방하기 위해 면역억제제를 사용하지만 발생 가능성을 완전히 제거할 수는 없는 것이다. 따라서 최대한 빠르게 실제 거부반응 여부를 진단해내, 필요하다면 면역억제제 용량을 증가시키는 등 추가적인 치료에 즉시 들어가는 것이 매우 중요하다.

연구팀은 먼저 2009년부터 2016년까지 서울아산병원에서 신장이식 수술을 받은 환자들의 신장 병리 조직 슬라이드 200개를 면역염색한 후 AI에 학습시켰으며, 모델은 컨볼루션 신경망(CNN Convolutional Neural Network)이 적용됐다. 또한 추가적으로 180개의 신장 병리 조직 슬라이드를 이용해 AI기술의 유효성을 검증했다.

그 결과 신장 병리 조직 슬라이드에서 세뇨관 주위 모세혈관이 있어 꼭 분석해야 하는 영역들을 인공지능 기술이 약 12분 만에 평균 147개씩 찾아냈다. 검출된 영역 중에서 병리과 전문의가 판독한 정답 대비 무려 90%의 정확도로 세뇨관 주위 모세혈관을 약 1분 만에 찾아내, 총 13분 정도 만에 신장이식 거부반응 여부를 판독해낸 것이다.

고현정 서울아산병원 병리과 교수는 “이번 연구를 토대로 앞으로 인공지능 알고리즘을 활용해 신장이식 후 거부반응을 더욱 빠르고 정확하게 진단할 수 있게 되면, 적절한 치료법을 조기에 적용해 재이식 수술 혹은 투석 가능성이 줄어들어 신장이식 수술의 성공률이 더욱 높아질 것으로 기대된다”고 밝혔다.

김남국 서울아산병원 융합의학과 교수는 “이번 연구로 그 동안 다른 분야에 비해 인공지능 알고리즘 개발이 유독 힘들었던 병리 분야에서 더욱 효율적이고 정확한 인공지능 개발의 가능성을 보았다”면서, “축적된 노하우를 바탕으로 병리 판독 분야에서 인공지능 기술의 적용 범위를 넓혀나갈 계획”이라고 전했다.

한편 이번 연구 결과는 국제학술지 ‘사이언티픽 리포트(Scientific Reports, IF=4.122)’에 지난 3월 26일자로 게재됐다. 논문명은 '신장이식 거부반응을 예측하기 위해 합성곱 신경망을 이용한 완전히 자동화된 시스템:기가픽셀 단위의 염색 슬라이드를 활용한 추가 검증(A Perlin Noise-Based Augmentation Strategy for Deep Learning with Small Data Samples of HRCT Images)이다. 더 자세한 내용은 논문을 참조하면 된다.