[태그:] 딥러닝

얼굴을 보고 건강상태를 짐작할 수 있다는 건 어느 정도 납득이 가능하다. 하지만 여기서 더 나아가, 얼굴 사진을 토대로 수명이나 생존 가능성까지 예측할 수 있다고 한다면 어떨까? 얼굴 나이로 건강 예측하는 인공지능(AI) 모델, 바로 ‘페이스 에이지(FaceAge)’가 지향하는 목표다.

 

얼굴 나이로 건강 예측하는 AI 모델

건강상태를 파악하고 질병 위험을 예측하는 데 있어 ‘생물학적 나이(Biological Age)’에 대한 관심이 높아지고 있다. 다양한 기술과 방법론에 대한 연구 결과가 축적되면서, 생물학적 나이의 활용 가능성과 신빙성 또한 상승세를 타고 있다. 즉, 실제 나이보다 ‘얼마나 나이가 들어 보이는지’에 대한 중요성이 강조되고 있는 셈이다.

미국 매사추세츠 종합병원 네트워크의 사람들로 구성된 연구팀은 얼굴 나이로 건강 예측을 할 수 있는 딥러닝 시스템 ‘FaceAge’ 모델을 개발하고 검증하는 연구를 수행했다. 연구팀은 공개돼 있는 데이터를 활용해, 별다른 건강 문제가 없는 60세 이상의 사람 약 5만9천여 명의 얼굴 사진을 확보하고, 딥러닝 기술과 안면 인식 기술을 활용해 알고리즘을 훈련시켰다. 

그런 다음, 약 6천2백여 명의 암 환자 코호트를 대상으로 훈련된 딥러닝 모델의 성능 평가를 진행했다. 사진 기반의 얼굴 나이로 건강 예측을 실시하고, 그들의 현재 상태와 예후 등 정보를 얼마나 정확하게 평가하는지를 테스트한 것이다.

 

‘얼굴 나이’ 많은 환자, 생존율 낮아

연구 결과에 따르면, 암을 앓고 있는 환자는 건강한 사람에 비해 더 나이가 들어보였다. 얼굴로 짐작할 수 있는 나이를 기준으로 할 때, 암 환자들은 실제보다 평균 약 5세 더 늙어보인다는 통계가 나왔다. 

전체 코호트 인원을 대상으로 했을 때, 얼굴 나이가 높게 나올수록 생존율이 낮았다. 얼굴 나이가 85세 이상으로 보이는 환자의 경우, 실제 나이와 성별, 암 유형 등 변수가 될 수 있는 요인을 보정한 후에도 생존율이 뚜렷하게 낮았다.

연구팀은 이 결과를 실제 전문가들의 견해와 비교해보고자 했다. 연구팀은 총 10명의 임상의와 의학 연구자들에게, 방사선 치료를 받고 있는 환자 사진 100장을 보고 ‘단기 기대수명’을 예측해달라고 요청했다. 그간의 경험을 바탕으로 환자의 예상 생존 기간에 대한 의견을 물은 것이다.

의사와 연구자들의 예측 답변은 저마다 상당한 차이를 보였다. 환자에 대한 임상정보를 제공했음에도, 정확도가 그리 높지는 않았다. 그러나, ‘FaceAge’를 통해 얼굴 나이로 건강 예측한 정보를 제공했을 때, 의사와 연구자들의 예측 정확도는 상당히 높아졌다. 연구팀은 현지 시각 8일 이러한 결과를 종합해 <랜싯 디지털 헬스(Lancet Digital Health)>에 논문을 발표했다.

 

‘개인의 노화 과정’ 예측에 기여

외래 진료 또는 회진을 통해 환자를 만날 때, 의사들은 가장 먼저 환자의 외모를 보게 된다. 이를 바탕으로 어느 정도 건강상태 또는 에너지 수준 등에 대한 기초적인 단서를 얻을 수도 있다. 여기에 환자와의 문진을 비롯해 기타 검사 결과 등을 종합해 병을 진단하고 치료 방향을 결정하는 것이다.

하지만, 의사라고 해서 생김새만으로 환자의 나이를 정확히 예측할 수는 없다. 오히려 생김새를 보고 섣불리 나이를 예측할 경우, 환자에 대한 편견이 생길 우려가 있다. 이런 점에서 FaceAge를 통해 제공되는 ‘얼굴 나이 정보’는 여러 모로 유용할 수 있다.

물론, 이 기술을 실제 임상 환경에 적용하기는 아직 부족하다. 연구팀은 현재 질병 여부, 전반적인 건강상태, 그리고 더 나아가 ‘기대 수명’까지 예측하는 데 이 기술을 활용할 수 있을 것으로 보고 있다. 이를 위해 더 많은 병원들과 협력해 보다 큰 규모의 연구를 진행한다는 계획이다.

암의 종류, 각각의 단계에 있는 환자들을 살펴보고, 시간이 경과함에 따라 FaceAge의 측정 결과가 어떻게 달라지는지를 추적할 필요가 있다. 또한, 화장이나 각종 시술, 성형수술 등으로 본래의 자연적인 생김새가 달라질 수 있으므로, 이러한 경우에 해당하는 데이터 세트를 통해 정확도를 보완할 필요도 있다.

연구팀의 공동 선임 저자인 레이 맥 박사는 “다양한 만성질환을 노화와 연관짓는 경향이 커지면서, 개인의 노화 과정을 보다 정확하게 예측하는 것이 중요해지고 있다”라며 “얼굴 나이를 측정하는 기술을 적절한 규제 및 윤리적 틀 안에서 조기 진단 시스템으로 활용할 수 있기를 바란다”라는 입장을 전했다.

 

‘빛(레이저)을 이용한 친환경 조직병리 진단법’을 개발한 연구 결과가 국제 학술지 「빛: 과학과 응용(Light: Science and Application)」(IF=20.6)에 게재됐다. 이 학술지는 세계 3대 학술지로 꼽히는 「네이처(Nature)」의 자매 학술지다.

 

조직병리, 기존 진단법의 한계

조직병리는 조직의 세포와 구조를 분석해, 질병의 원인과 기전을 알아내는 것을 말한다. 일반적으로 조직 생검 등의 방법으로 생체 조직 샘플을 채취한 다음, 이를 현미경으로 관찰하는 방법을 사용한다. 

기존까지의 조직병리 진단법에서는 먼저 생검 등의 방식으로 조직을 떼어낸 다음, 이를 현미경으로 관찰하기 위해 염색 슬라이드를 준비해야 했다. 통상 슬라이드를 준비하는 데만 1~2일 정도가 걸렸으며, 이때마다 조직이 소모된다는 문제가 있었다. 또한, 조직 구조의 시각화를 명확하게 하기 위한 슬라이드 염색에서, 화학약품을 사용하기 때문에 환경오염을 유발한다는 것 또한 단점으로 꼽혔다. 

 

레이저 기술과 인공지능의 결합

가톨릭대학교 서울성모병원 병리과 정찬권 교수와 포스텍 김철홍 교수 연구팀은 ‘광음향 조직 영상(Photoacoustic Histology, PAH)’ 기술을 활용해 보다 빠르고 친환경적인 조직검사 시스템을 개발했다. PAH는 빛(레이저)을 쏘아 생체분자가 만들어내는 초음파 신호를 감지함으로써 이미지를 생성하는 기술이다. 연구팀은 이 기술을 활용해 간암 조직 진단에 접목시켰다. 

PAH는 ‘가상 염색’을 통해 실제와 동일한 병리 이미지를 생성할 수 있다. 화학약품을 통한 염색, 조직 검체 식별을 위한 라벨링 작업이 필요치 않다는 장점이 있었지만, 이제까지는 병리 의사가 진단을 할 수 있을 만큼의 명확한 이미지를 생성하는 데 한계가 있었다.

연구팀은 PAH에 인공지능 기술을 결합한 딥 러닝 모델을 개발해 이러한 한계를 극복해냈다. 인공지능을 통해 △가상 염색 △분할 △분류 단계를 수행함으로써 조직 영상을 분석하는 방식이다. 

 

전문의 진단 결과와도 일치

연구팀은 실제 간암 조직에서 얻은 PAH에 연구팀이 개발한 딥 러닝 모델을 적용해보았다. 그 결과 딥 러닝 모델은 간암세포 및 정상 간 세포를 98% 정확도로 분석해냈다. 병리과 전문의 3명이 진단한 결과와 비교한 결과에서도, 딥 러닝 모델이 식별한 결과는 100% 일치했다. 이는 실제 현장 적용도 가능하다는 것을 의미한다.

 

진단 정확성 및 환경오염 문제 해결

조직검사는 질환의 정확한 진단부터 그에 맞는 적절한 치료 계획을 세우는 데 매우 중요하다. 간암의 경우, 정확한 진단을 위해 영상 검사, 혈액 검사를 선행한다. 이 결과로 확진이 어려울 경우, 초음파를 보며 가느다란 바늘을 이용해 간 조직을 채취(바늘 생검)한다.

생검으로 채취한 조직을 현미경으로 관찰하기 위해서는, 유리 슬라이드에 조직을 얇게 잘라낸 다음 염색을 하는 과정이 필요했다. 이 과정에서 추가 인력 및 비용이 들어가며, 염색을 위해 화학물질이 사용되므로 환경에도 악영향을 끼쳤다.

만약 슬라이드 제작 과정에서 기구 오염 또는 조직 오염이 발생할 경우, 진단 자체가 잘못될 가능성도 있었다. 진단 목적에 따라 염색법이 달라질 수 있기 때문에, 여러 검사가 필요할 경우 그때마다 슬라이드를 추가 제작해야 한다는 문제도 있었다.

정찬권 교수는 “딥 러닝을 활용한 검사법은 슬라이드 제작에 소요되는 시간과 비용을 줄이고, 염색에 사용되는 헤마톡실린, 에오신, 자이렌, 알콜과 같은 화학물질을 사용하지 않는 친환경 진단법”이라며 “간암 진단 민감도 100%를 달성한 만큼, 다른 암 조직검사 진단에도 적용하기 위한 추가 연구를 지속해 진단 효율성을 향상시킬 것”이라고 설명했다.