AI 기반 MRI 딥러닝 모델을 활용한 난소 병변 분류의 최신 혁신

- 8월 06, 2025

AI 기반 MRI 딥러닝 모델을 활용한 난소 병변 분류의 최신 혁신

— SAM과 DenseNet-121 통합의 임상 적용 가능성과 미래 전망

doi:10.1148/radiol.243412

서론: 난소 병변 진단의 과제와 MRI의 가능성

난소 병변은 양성과 악성을 정확히 구분하는 것이 매우 중요하며, 조기 진단 실패 시 치명적인 결과를 초래할 수 있습니다. 초음파는 일차 진단 도구로 많이 활용되지만, 조직 대비(contrast) 및 병변 특성화 측면에서 자기공명영상(MRI)이 우수하다는 것이 다수 연구에서 입증되었습니다.

하지만 MRI 판독은 고도로 숙련된 영상의학과 전문의의 주관적 해석에 의존하며, 시간과 비용이 많이 소요되는 단점이 있습니다. 최근 이러한 문제를 해결하기 위해 딥러닝(deep learning, DL)과 같은 인공지능(AI) 기술이 활발히 도입되고 있으며, 특히 Meta의 Segment Anything Model(SAM)과 DenseNet-121을 통합한 모델이 주목받고 있습니다.

본 연구: SAM과 DL 기반의 난소 병변 분류 모델 개발

미국 존스홉킨스대학교의 Wen-Chi Hsu 박사 연구팀은 MRI 기반 난소 병변 분류에서 딥러닝의 가능성을 입증하기 위해 Meta의 SAM을 활용한 자동 병변 분할 시스템과 DenseNet-121 분류기를 통합한 종단형(end-to-end) 파이프라인을 제안했습니다.

그림 1. SAM 기반 자동 병변 분할 워크플로우

그림 1. 29세 여성의 우측 난소 점액성 암종(mucinous carcinoma) 사례에서 SAM이 T1CE 및 T2WI 영상에 설정된 bounding box(빨간색)를 기반으로 자동 분할 마스크(녹색)를 생성하는 모습.

딥러닝 모델 구조

입력: 전처리된 T1CE 및 T2WI MRI 영상 + 임상 데이터
네트워크 구조: 3D CNN, MLP, D-NonL 모듈 포함 듀얼 패스 네트워크
출력: 악성/양성 여부 이진 분류

그림 2. 전체 파이프라인 구조

그림 2. 영상 입력 → SAM 기반 분할 → 딥러닝 기반 병변 분류.

결과: 전문가 수준의 정확도와 임상 효율성 향상

본 연구는 미국 및 대만의 3개 기관으로부터 수집된 621개의 난소 병변 데이터를 활용해 모델을 훈련 및 검증했습니다.

1. SAM 기반 자동 분할 성능

Dice 계수(Dice coefficient): 0.86 ~ 0.88
처리 시간 감소: 병변당 약 4분 단축 (수작업 대비)

2. 병변 분류 성능

AUC (Area Under Curve):
- 내부 테스트셋: 0.85
- 외부 테스트셋: 0.79
비교군 영상의학과 전문의 AUC: 0.84 (통계적으로 유의한 차이 없음, p > 0.05)

이러한 결과는 해당 DL 모델이 방사선과 전문의 수준의 분류 정확도를 가지며, 진단 보조 도구(second-reader system)로서 충분한 임상 적용 가능성을 지닌다는 것을 의미합니다.

의미와 임상 적용성

본 연구는 다음과 같은 임상적 및 기술적 의의를 가집니다:

자동화 + 정확성의 균형 확보
SAM의 분할 모델과 DL 분류기의 통합이라는 모듈형 AI 접근
전문가 수준의 판독 보조 시스템 구현 가능

미래 전망

환자 맞춤형 진단 지원 시스템 개발
영상의학과 전문의와 AI의 협업 구조 정착
정기적인 모델 업그레이드 및 외부 검증 체계 구축

퀴즈 문제

1. SAM(Segment Anything Model)의 주된 기능은 무엇이며, 본 연구에서는 어떻게 활용되었는가?

① 악성 종양을 직접 예측한다
② MRI 장비의 해상도를 개선한다
③ 병변의 자동 분할을 수행한다
④ 의사의 임상 소견을 자동으로 요약한다

2. 이 연구에서 개발된 DL 기반 분류 모델의 AUC 성능은 다음 중 어느 정도였는가?

① 0.55 ~ 0.60
② 0.70 ~ 0.75
③ 0.79 ~ 0.85
④ 0.90 이상

정답 및 해설

1. 정답: ③, 해설: SAM은 Meta에서 개발한 범용 분할 AI로, MRI 영상에서 bounding box만으로도 병변의 자동 분할 마스크를 생성할 수 있으며, 본 연구에서 수작업 분할을 대체하여 처리 시간을 단축시키는 데 활용됨.

2. 정답: ③, 해설: 모델은 내부 테스트셋에서 0.85, 외부 테스트셋에서 0.79의 AUC를 기록하였으며, 이는 영상의학과 전문의의 수준과 유사한 분류 정확도임을 의미함.

결론: 진단 AI의 새로운 표준으로 부상하는 SAM-DL 파이프라인

SAM과 DenseNet-121 기반의 MRI 병변 분류 시스템은 기존의 수작업 기반 진단 방식의 효율성을 극대화하며, 방사선과 전문의의 임상 결정을 보조할 수 있는 강력한 도구로 떠오르고 있습니다.
앞으로 다양한 병변 진단에 있어서도 SAM 기반 딥러닝 통합 모델의 확장이 기대되며, 이는 환자 관리와 영상 해석의 패러다임을 혁신적으로 바꿀 수 있는 가능성을 시사합니다.

참고문헌

W. Hsu et al., "MRI-based DL model improves ovarian lesion classification," Radiology, Aug. 5, 2025.
R. Bhayana and B. Wang, "Editorial: Foundation models and radiologist collaboration," Radiology, 2025.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proc. CVPR, 2016, pp. 770–778.
M. Tan and Q. Le, "EfficientNet: Rethinking model scaling for convolutional neural networks," in Proc. ICML, 2019.
J. Deng et al., "ImageNet: A large-scale hierarchical image database," in Proc. CVPR, 2009.
Meta AI, “Segment Anything Model (SAM),” [Online]. Available: https://segment-anything.com

이 블로그 검색

MediWave