요즘 가장 IT계의 핫한 이슈는 AI와 딥러닝이 아닐까 싶어요. 함께 일하는 수석님께서는 말씀하시더군요. 본인 학교 다닐때도 그런 전공이 있었는데 그때만해도 가장 허무맹랑한 과라고 생각하셨대요. 그 짧은 시간에 세상은 이토록 달라졌구나 싶더라고요.
레이지버드도 늘 고민하고 있습니다. 지금하고 있는 일은 어떻게 요즘 트렌트와 맞물려 발전시킬 수 있을까 하는 고민입니다. 레이지버드에서 개발한 소프트웨어들에는 이미지 처리 기술이 모두 포함되어 있습니다. 휴비츠와 개발한 HOCT의 경우 촬영된 안구를 3D로 처리하고 있고요. 일루코와 개발한 Dermaster의 경우에는 아직 예정이지만 환부 이미지에 대한 처리를 고민하고 있죠.
이미지 처리
일단 저희는 촬영된 이미지를 바탕으로 하는 소프트웨어이기 때문에 이미지를 통해 추출할 수 있는 정보들을 먼저 고민해봤습니다.
- 환부의 크기(직경)
- 환부의 색깔과 분포도
- 3D 처리를 통한 굴곡, 굴곡에 따른 각도
- 환부의 형태(원형에 가까운지, 대칭여부)
이런 것들이 아마도 이미지를 통해 얻을 수 있는 정보들이 되겠죠. 실제로 피부암의 일부는 진단할 때 색깔과 형태를 기준으로 한다고 하니 의미있는 정보가 될 겁니다.
이미지 처리 외에도 우리는 많은 정보들을 수집하게 됩니다. 발생한 위치나 날짜(계절), 환자의 정보들도 있고요. 병의 진행사항에 따른 정보들도 축적될 겁니다.
딥러닝
기존 학계에 보고된 피부병의 사례나 병원을 방문한 고객들의 진찰 기록등이 쌓이면 정보의 오류들을 줄일 수 있을겁니다. 우리는 이러한 딥러닝을 반드시 정답으로 얘기 하지 않습니다. 사전 진단을 위한 유용한 정보가 될 것이라고 생각합니다.
이미지를 촬영하고, 변환된 수치를 통계적으로 비교하게 됩니다. 머신러닝으로 학습된 AI가 판단하여 좀 더 유심히 봐야 하는 사람을 제안하는 것이죠. 그리고 함께 입력된 환자의 정보는 기존의 이미지 외에도 병력, 가족병력, 생활습관, 직업, 나이, 성별 등으로 병의 원인에 대해서 좀 더 학습된 결과를 도출할 수 있습니다. 여기서 좀 더 긍정적인 것은 이런 과정을 통해 좀 더 견고하고 오류가 적은 소프트웨어가 될 수 있다는 것입니다.
실제 사례
17년에 이미 딥러닝 기술을 이용하여 피부암 진단에 공헌한 사례가 있습니다.
위의 기사를 직접 보시면 좀 더 자세한 내용을 확인하실 수 있는데, 간단하게 설명드릴까 합니다. 많은 사람들이 알고 있는 구글의 인셉션 v3 알고리즘을 이용했는데요. 이는 ‘고양이’와 ‘개’를 구분하는 알고리즘입니다. 이미지를 학습해서 개와 고양이를 구분하는 것이죠. 이에 따라 2000개 이상의 질병, 13만개이상의 병변 이미지를 사용하여 학습하도록했습니다. 이를 위해 시스템이 사진의 각도와 조면, 줌의 변화를 인지하도록 하였고, 1942건의 생검(실제 검사)를 통해 증명된 피부암의 진단으로 이 기술이 실제로 성공하였는지 테스트하였습니다.
결과는 예상한 것보다 훨씬 높은 빈도로 알고리즘이 성공적이었다고 합니다. 다만 이 논문을 작성하기 위해 얻은 수만건의 케이스들이 있어야 한다는 전제와 실제 동작이 얼마나 명확한 근거의 테스트를 거치느냐가 중요한 문제라는 생각이 듭니다.