UC San Diego Health, AWS를 사용하여 10일 안에 인공 지능 이미징 모델 구현

2020년 봄 코로나19 팬데믹 사태가 미국을 강타했을 때 UC San Diego Health 연구원은 이미 감지하기 어려운 사례에서 폐렴을 식별하기 위해 기계 학습을 사용하는 이미지 인식 모델을 개발했습니다. 폐렴이 코로나19 환자의 심각한 감염 지표 중 하나였기 때문에 UC San Diego Health의 임상 연구 정보 책임자인 Mike Hogarth 박사는 의료진이 진단과 치료에 정보를 사용할 수 있도록 Amazon Web Services(AWS)에 임상 환경에서 모델을 적용할 수 있는 시스템 구축을 지원해 줄 것을 요청했습니다.

환자 파일과 정보가 의료 구축에 사용될 때, 데이터 보안은 필수입니다. 인공 지능 모델을 적용하는 시스템은 UC San Diego Health가 임상 환경에서 사용될 HIPAA 규정을 준수하는 엄격한 규칙을 충족할 수 있도록 해야 합니다. UC San Diego Health는 이전에 AWS에 유사한 규정 준수 솔루션을 구축했는데, 이 경험을 통해 UC San Diego Health는 AWS를 사용하여 겨우 10일만에 원하는 시스템을 구축할 수 있었습니다.

UC San Diego Health는 세계 15대 연구 대학 중 하나입니다. UC San Diego School of Medicine은 매년 수백 건의 임상 시험을 시행하고, UCSD Health Services Research Center는 연구 지원을 위한 의료 결과 데이터를 전문적으로 수집하고분석합니다. 2018년, UC San Diego School of Medicine 방사선과 조교수인 Albert Hsiao 박사가 이끄는 UC San Diego Health 팀은 기계 학습을 사용하여 폐렴을 엑스레이 이미지에서 탐지하는 방법을 개발했습니다. “우리는 컬러 코딩으로 얼마나 폐렴이 확실한지 또는 불확실한지를 나타내는 확률 맵을 만들었습니다.”라고 Hsiao 박사 팀의 레지던트인 Brian Hurt 박사가 말했습니다. Hsiao 박사에 따르면, “보통 사람들은 간단하게 예 또는 아니오로 결과가 표시되어 폐렴인지 아닌지를 나타내는 모델을 만듭니다. 그러나 우리는 이상 징후가 있는 곳을 강조할 수 있는 이미지를 생성하는 것이 중요하다고 생각했습니다.” 팀은 2020년 초에 이 결과에 대한 논문을 발표했습니다.

UC San Diego Health 팀은 이전에 연구 데이터를 위해 AWS를 사용하여 HIPAA를 준수하는 안전한 환경을 만든 적이 있습니다. “UC San Diego Health에서 처음 했던 작업 중 하나는 보호된 의료 정보가 필요 시 계산되고 이동될 수 있는 환경을 만드는 것이었습니다.”라고 Hogarth 박사는 말했습니다. “우리 팀과 AWS는 최적화에 대해 매주 회의에서 논의했고, 코로나19 팬데믹이 점점 심해질 때 AWS는 우리에게 어떻게 도울 수 있는지, 어떤 일을 해 주길 원하는지를 물었습니다.” Dr. Hsiao 팀은 모델에 대한 아이디어를 즉시 떠올렸습니다.

목표는 임상 환경에서 엑스레이를 찍고 그 위에 모델을 실행하여 진단을 도울 수 있도록 빠른 결과가 도출되는 시스템을 실현하는 것이었습니다. “우리 같은 연구실에서 생성된 많은 모델들은 잠재력이 있지만, 실제로 임상 워크플로에 구축하지 않으면 그다지 유용하지 않습니다.”라고 Hsiao 박사는 말했습니다. 그러한 구현은 코로나19 환자의 진단, 치료 및 결과에 잠재적으로 영향을 미칩니다. Hsiao 박사는 “코로나19 폐렴을 찾는 것은 기본적으로 다른 모든 바이러스성 폐렴과 동일합니다.” 라며 “Brian이 훈련시킨 모델은 이 모집단에서 좋은 성능을 보였는데, 이는 일반적으로 폐렴을 감지하는 데 좋은 모델이기 때문입니다.”라고 말했습니다. 모델은 두 가지 측면에서 유용했습니다. 첫 번째, 엑스레이 이미지에서 폐렴을 감지하는 경우, 모델은 이전에 음성(위음성일수도 있는)이었던 테스트 결과에 대해 테스트 또는 재테스트를 요청합니다. 두 번째, 감염된 것을 알고 있는 환자의 경우, 엑스레이에서 폐렴을 찾는 것은 질병의 심각도와 예후를 나타내며 치료법을 알려줄 수 있습니다.

UC San Diego Health 연구 팀은 이미지를 받아 컬러 코드 오버레이로 반환하는 모델을 벌써 구축했습니다. 임상 이미지 시스템에 연결하여 이미지를 받아서 직접 환자 파일로 결과값을 보낼 수 있는 클라우드 솔루션만 있으면 의료 전문가들이 이미지를 보고 이용할 수 있습니다. 팀이 이미 HIPAA 규정을 준수하는 환경을 AWS에 만들었기 때문에 10일 안에 프로젝트를 추진하고 실행할 수 있었습니다. “AWS에서 실행된 첫 날, 모델은 매우 적은 결함으로 대략 400개의 엑스레이를 처리했습니다.”라고 Hogarth 박사는 말했습니다. 구현 후 6개월 동안, 그 모델은 65,000개의 엑스레이를 각각 3~4분만에 처리했습니다.

진료 시 치료자에게 정보를 전달하는 기능은 모델이 매우 유용한 이유입니다. 그리고 AWS는 그것이 가능할 뿐만 아니라 간단하고 유지하기 쉽도록 만드는 데 있어 매우 중요했습니다. Hsiao 박사에 따르면, UC San Diego Health의 정보 기술 팀 500명 중에서 한 명의 직원이 업무의 일부로 HIPAA 규정 준수 및 기타 규정을 AWS 환경에서 지속적으로 확인할 수 있다고 합니다. 그리고 임상 환경에서 Hsiao 박사 팀이 만든 모델을 구현하는 데 있어서, Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스는 기본적으로 필요합니다. 그 환경에서는 팀이 필요로 하는 보안 구성을 제공하며 컴퓨팅 용량의 증가에 따라 간편하게 크기를 조정할 수 있습니다.

Journal of the American College of Emergency Physicians Open에 발표된 최근 논문에서는 이 모델을 구현하는 것이 임상적 의사 결정에 20% 정도 영향을 주었음을 시사했습니다. “임상적 의사 결정에 그 정도까지 영향을 미치는 것은 우리가 알고 있는 한 거의 없습니다.”라고 Hsiao 박사는 말했습니다. 모델의 초기 정확도는 86%였고, 팀은 심장 뒤쪽에 있으면 종종 놓치는 폐렴 케이스를 처리하는 더 정확한 버전을 곧 배포할 것입니다.

기존의 현장 진료 워크플로에서 기계 학습을 기반으로 한 임상적 의사 결정 지원에 대한 평가는 중요하지만 상대적으로 보기 드뭅니다. 이 이미지 분석 도구의 평가가 시작된 지 얼마 되지 않았지만, 긍정적인 영향을 주고 있다는 일화적인 증거가 있습니다. 최근 78세 환자가 발열 및 복통으로 입원했습니다. 의사는 코로나19 진단을 고려하지 않았지만, 모델이 가슴 엑스레이에서 폐렴의 신호를 발견했습니다. 그래서 환자를 테스트했고 결과는 양성이었습니다.

Dr. Hsiao의 팀은 모델을 지속하고 개선할 계획이지만, 현장 진료에서의 기계 학습 및 인공 지능 알고리즘 평가 아이디어는 광범위한 다른 의료 연구에도 응용될 가능성이 있습니다. “우리에게 이것은 데이터 및 의사 결정 지원 파이프라인입니다.”라고 Hogarth 박사는 말했습니다. “우리는 이러한 이미지로 파이프라인 사용을 시연했지만, 여러 가지로 응용할 수 있습니다.”