새로운 AI 모델 MUSK의 등장
스탠포드 연구진이 임상 노트와 이미지를 결합한 AI 모델을 개발하여 환자의 예후 예측과 치료 반응을 예측하는 데 도움을 주고 있다. 이 모델은 기존 AI 모델과 달리 다중 모달리티를 활용하여 다양한 데이터를 통합 분석한다.
- 다중 모달리티란 여러 형태의 데이터를 함께 사용할 수 있는 기능으로, 텍스트와 이미지를 동시에 처리하여 더 정확한 분석을 가능하게 한다.
- 스탠포드 연구진은 이 모델로 의료진이 더 신속하고 정보에 입각한 결정을 내릴 수 있도록 지원하는 것을 목표로 하고 있다.
인간 병리학자의 한계와 AI의 역할
현재 인간 병리학자는 질병 진단의 표준으로 남아 있다. 하지만 의사들은 단일 데이터 소스에 의존하지 않고 환자의 인구통계, 병력, 이미징 등의 다양한 요소를 고려하여 임상 결정을 내린다. 이 때문에 AI는 주로 보조 도구로 사용되어 왔다.
- 병리학자들은 복잡한 질병의 경우 종종 다양한 의견과 경험을 필요로 하므로, AI의 보조가 큰 도움이 된다.
- AI는 환자 이력에 대한 대규모 데이터를 처리하여 가능한 진단과 치료 방법을 제안하는 데 탁월한 성능을 보여줄 수 있다.
MUSK의 멀티모달 접근 방식
MUSK는 임상 노트와 이미지를 자동으로 결합하여 분석하는 멀티모달 AI 모델이다. 이를 통해 단일 모달리티로는 얻을 수 없는 구체적이고 보완적인 정보를 추출하여 더 나은 임상 결정을 내릴 수 있다.
- 임상 환경에서는 텍스트 데이터와 이미지 데이터가 상호작용할 때 중요한 통찰력을 제공할 수 있다.
- MUSK의 접근방식은 데이터의 통합처리 과정에서 복잡한 패턴과 연관성을 식별하는데 주안점을 두고 있다.
암 치료의 예측과 정밀성 향상
암 치료에 있어 결과 예측과 정밀성이 중요하다. MUSK는 이미지와 텍스트를 기반으로 환자의 치료 반응을 더 정확하게 예측할 수 있다. 이는 50백만 개의 병리 이미지와 10억 개의 관련 텍스트를 학습하여 가능해졌다.
- MUSK는 다양한 암의 병리학적 특징을 분석하여 환자 맞춤형 치료 지원 정보를 제공할 수 있다.
- 이러한 예측 기술은 치료 계획을 개인화하고 치료 성과를 극대화하는 데 있어 필수적이다.
대규모 데이터 활용의 장점
기존의 AI 접근법과 달리 MUSK는 대규모, 다양한 데이터셋을 활용하여 더 강력한 모델을 훈련할 수 있다. 이는 라벨링된 데이터에 의존하지 않고 비라벨링된 데이터를 활용할 수 있도록 설계된 새로운 구조 덕분이다.
- 비라벨링 데이터의 활용은 데이터 수집 및 관리에서 시간과 비용을 크게 절감할 수 있는 이점을 제공한다.
- 이러한 데이터 처리 방식은 오래된 데이터뿐만 아니라 새로운 데이터를 즉각적으로 통합 분석 가능하게 한다.
현재까지의 테스트 결과와 향후 계획
스탠포드 팀은 8,000명 이상의 환자 데이터를 사용해 MUSK를 테스트한 결과, 기존 모델보다 뛰어난 성능을 보였다. 이 모델은 피부암 재발과 면역요법 반응 예측에 특히 우수한 성능을 보였다. 앞으로 더 많은 증거를 수집하여 임상 환경에 배포할 계획이다.
- MUSK는 특히 복잡한 치료 계획의 회귀 가능성을 수치로 가시화하여 의사의 결정을 지원한다.
- 스탠포드 연구진은 여러 임상 실험과 협력을 통해 모델의 실용성을 계속해서 검증하고 있다.
출처 : 원문 보러가기
