MediWave

  https://doi.org/10.1016/j.acra.2025.10.004 키워드: 폐암 예측, 인공지능 영상 분석, Radiomics, 딥러닝, GGN(간유리결절), 폐선암, 의료AI 서론: 폐암 예측의 새 전환점 폐암은 여전히 전 세계 암 사망 원인 1위를 차지합니다.  특히 간유리결절(Ground-Glass Nodule, GGN) 형태로 나타나는 조기 폐선암(adenocarcinoma)은 겉보기에는 작은 병변이지만, 그 내부가 침습성(invasive)인지, 아니면 비침습성(preinvasive)인지를 구별하는 것이 임상적으로 매우 중요합니다. 기존 CT 영상만으로는 두 형태를 정확히 구분하기 어렵기 때문에, 수술 시기를 놓치거나 불필요한 절제를 시행하는 문제가 발생하기도 했습니다. 이러한 한계를 극복하기 위해 등장한 것이 Radiomics(라디오믹스)와 Deep Learning(딥러닝)을 결합한 새로운 접근법입니다.  Radiomics는 영상 데이터를 수치화하여 숨은 패턴을 찾아내는 기술이며, 딥러닝은 이러한 복잡한 패턴을 학습해 스스로 예측 모델을 만드는 인공지능 방법입니다. Radiomics와 딥러닝의 결합: 영상의 새로운 언어 Radiomics는 CT 영상의 픽셀 속에서 ‘숫자’를 추출합니다. 예를 들어, 결절의 텍스처(질감), 모양, 경계, 밀도 변화 등을 수백~수천 개의 변수로 변환합니다. 하지만 이 데이터만으로는 모든 임상적 복잡성을 담아내기 어렵습니다.  그래서 연구팀은 ResNet50 기반 딥러닝 모델 을 추가하여, 영상에서 Radiomics가 놓칠 수 있는 고차원적 패턴 을 학습하도록 했습니다. 이때 세 가지 주요 데이터가 결합되었습니다. Radiomics feature : CT에서 추출한 정량적 이미지 특징 Deep Learning feature : ResNet50 딥러닝 네트워크에서 얻은 표현 Intratumoral Habitat(ITH) : 병변 내부의 ...

 http://dx.doi.org/10.9718/JBER.2023.44.1.11 서론: 외과 의사의 '눈'과 경험, 그 한계를 넘어서 직장암은 전 세계적으로 높은 발병률을 보이는 암 중 하나로, 특히 남성과 여성 모두에게 세 번째로 흔하게 발생하는 암입니다 . 직장암의 치료에서 수술은 매우 중요한 역할을 하지만, 직장이 해부학적으로 복잡하고 좁은 골반강 내에 위치하고 있어 수술의 난이도가 상당히 높습니다 . 따라서 성공적인 수술을 위해서는 수술 전 환자의 해부학적 구조를 정확히 파악하고 수술의 어려움을 예측하는 것이 무엇보다 중요합니다 . 이러한 수술 전 평가 과정에서 자기공명영상(Magnetic Resonance Imaging, MRI)은 필수적인 도구로 자리 잡았습니다 . MRI는 직장 종양은 물론, 종양을 둘러싼 직장간막과 골반 구조를 명확하게 보여주어 수술 계획 수립과 난이도 예측에 결정적인 정보를 제공합니다 . 현재까지는 외과 전문의가 다수의 MRI 영상 슬라이스 중에서 자신의 임상적 경험과 지식을 바탕으로 수술 위험도 평가에 가장 중요하다고 판단되는 특정 슬라이스를 직접 선택하여 분석하는 방식으로 이루어져 왔습니다 . 하지만 이러한 방식에는 몇 가지 한계점이 존재합니다. 첫째, 어떤 슬라이스가 가장 중요한지에 대한 판단이 의사의 주관적인 경험에 크게 의존하기 때문에 재현성이 떨어질 수 있습니다 . 즉, 동일한 환자의 MRI를 보더라도 의사마다 다른 슬라이스를 선택할 수 있으며, 심지어 같은 의사라 하더라도 시간에 따라 다른 선택을 할 수 있습니다 . 둘째, 수많은 영상 슬라이스를 일일이 검토하고 선별하는 과정은 상당한 시간과 노력을 요구합니다 . 이러한 한계를 극복하고, 보다 객관적이고 효율적인 직장암 수술 위험도 예측 방법을 찾기 위해 의료 인공지능 분야에서는 '라디오믹스(Radiomics)'라는 혁신적인 기술에 주목하고 있습니다. 라디오믹스는 인간의 눈으로는 식별할 수 없는 의료 영상 속의 미세한 패턴과 질감 정보를 ...

 연합학습(Federated Learning)과 파운데이션 모델(Foundation Model)을 활용한 개인정보보호 기반 영상의학 인공지능 모델의 혁신 doi: 10.1038/s41746-025-01800-1 서론: 의료 인공지능(AI)과 개인정보 보호의 갈림길 의료영상 분야에서 인공지능(AI)의 활용은 이미 다양한 진단 영역에서 임상적 성과를 입증하고 있다.  그러나 각 병원이 보유한 환자 데이터를 직접 중앙 서버로 통합하기에는 환자 개인정보 보호 와 법적 규제 라는 장벽이 존재한다.  이처럼 데이터 이동이 제한되는 환경에서 대안으로 주목받는 기술이 연합학습(Federated Learning, FL)이다.  최근 발표된 Nature Digital Medicine의 논문에서는, FL과 파운데이션 모델(Foundation Model)을 결합하여 영상의학에서의 협업형 AI 개발을 획기적으로 개선할 수 있는 방법을 제시했다. 본론 1. 연합학습(Federated Learning)의 개요 연합학습은 각 병원이나 기관이 자신들의 데이터를 로컬 서버에 보관한 채로, 중앙 서버와 모델 파라미터만을 공유하는 방식이다.  이러한 방식은 개인 데이터를 외부로 전송하지 않기 때문에 GDPR 및 HIPAA 와 같은 국제 개인정보 보호 규정에 부합한다. FL의 핵심 이점: 데이터 소유권 유지 법적·윤리적 데이터 보호 다기관 협업 가능 2. 파운데이션 모델의 접목 파운데이션 모델이란 대량의 데이터로 사전학습(pretraining)된 대형 신경망으로, 의료영상 분야에서는 CT, MRI, X-ray 등 다양한 모달리티의 정보를 사전학습하여 전이학습(transfer learning)의 기반으로 활용된다. 이번 연구에서는 대규모 학습된 파운데이션 모델을 기반으로 하여 multi-institution FL fine-tuning 을 적용하였다.  그 결과, 한 기관의 성능을 넘어서는 협업형 AI 모델을...