AI 기반 병리학, 만병통치약이 아니다? 🤔 대규모 연구 결과 발표

대규모 연구를 통해 AI 기반 병리학에서 Foundation Model(FM)과 Task-Specific(TS) 모델의 성능을 비교 분석한 결과, 데이터가 충분한 경우 TS 모델이 FM을 능가할 수 있으며, FM의 높은 에너지 소비 문제점이 제기되었습니다. 임상 적용을 위해서는 작업 특정 훈련과 엄격한 검증이 중요함을 강조합니다.

최근 인공지능(AI)이 병리학 분야에서 진단 보조를 넘어, 조직 슬라이드 이미지에서 예측 가능한 형태학적 패턴을 발견하는 데까지 활용되고 있습니다. 특히, 자가 지도 학습을 활용한 기반 모델(Foundation Models, FMs)이 다양한 하위 작업에 대한 범용 솔루션으로 널리 주장되고 있습니다. 하지만, 이러한 FM의 임상 적용 가능성과 기존의 작업 특화(Task-Specific, TS) 모델에 대한 일반화 이점에 대한 의문이 여전히 남아있습니다.

스웨덴 카롤린스카 연구소 등 11개국 15개 기관의 연구진들은 전립선암 진단 및 글리슨 등급 분류에 대한 임상 수준의 성능을 가진 AI를 중점적으로 연구했습니다. 7,342명의 환자를 대상으로 한 10만 개가 넘는 코어 바늘 생검을 사용하여 대규모 검증을 수행한 결과, 두 개의 FM과 완전한 end-to-end TS 모델을 다중 인스턴스 학습 프레임워크에서 비교 분석했습니다.

그 결과, FM이 모든 상황에서 TS 모델을 능가한다는 기존 가정에 도전하는 결과가 나왔습니다. 데이터가 부족한 시나리오에서는 FM이 유용성을 보였지만, 충분한 레이블이 지정된 훈련 데이터가 있는 경우 TS 모델의 성능이 FM과 동등하거나 일부 경우에는 FM을 능가했습니다. 특히, 광범위한 작업 특정 훈련은 임상적으로 중요한 등급 오류, 어려운 형태의 오진 및 다양한 WSI 스캐너 간의 변동성을 현저하게 줄였습니다. 또한, FM은 TS 모델보다 최대 35배나 많은 에너지를 소비하여 지속 가능성에 대한 우려를 제기했습니다.

이 연구 결과는 FM이 빠른 프로토타이핑과 연구에 분명한 이점을 제공하지만, 임상적으로 적용 가능한 의료 AI에 대한 범용 솔루션으로서의 역할은 불확실하다는 것을 강조합니다. 중요도가 높은 임상 응용 프로그램의 경우, 엄격한 검증과 작업 특정 훈련에 대한 고려 사항이 매우 중요합니다. 연구진들은 강력하고 자원 효율적인 AI 병리학 솔루션을 임상적으로 사용하기 위해 FM과 end-to-end 학습의 강점을 통합할 것을 주장합니다. 이는 AI 기반 병리학의 미래를 향한 중요한 전환점을 제시하며, 단순한 기술적 발전을 넘어, 실제 임상 현장 적용을 위한 신중한 고려와 지속가능성 확보의 필요성을 보여줍니다.

주요 연구자: Nita Mulliqi, Anders Blilie, Xiaoyi Ji 외 다수 연구 기관: 카롤린스카 연구소, 스타방에르 대학병원, 헬싱키 대학 등 다수 발표: 2025년 3월 3일 (추정)