|
연구팀은 고해상도 병리 영상 정보를 인공지능(AI)에 전달, 분석 성능을 유지하면서도 추론 시간을 단축하는 새로운 분석 기술을 개발했다.
디지털 병리 분야에서는 조직 슬라이드를 디지털화한 초고해상도 영상인 ‘전체 슬라이드 이미지(WSI)’를 AI로 분석해 암의 종류와 조직의 특성을 분류한다. 그러나 병리 영상은 한 장에 수십억 화소에 이를 만큼 해상도가 높아 기존 AI는 영상을 수많은 작은 영역으로 나눠 분석해야 하는 한계가 있었다. 이는 대규모 병리 영상 분석의 효율성을 떨어뜨리고, 실제 의료 현장에서 AI를 활용하는 데 제약으로 작용했다.
연구팀은 이를 해결하기 위해 고해상도 영상의 핵심 정보를 학습 단계에서 저해상도 모델에 전달하는 ‘지식 증류(Knowledge Distillation)’ 기술을 적용한 새 분석 기술(LRMIL)을 개발했다.
LRMIL은 고해상도·저해상도 영상에서 추출한 특징을 비교, 저해상도 모델이 고해상도 영상의 세밀한 조직 정보를 학습하도록 설계됐다. 기존 방식과 달리 고해상도 영상을 작은 영역으로 나눠 처리하는 과정을 생략하면서도 분석에 필요한 핵심 정보를 유지토록 한 것이다. 그 결과 고해상도 분석 방식과 비교해 경쟁력 있는 분류 성능을 유지하면서도 추론 시간을 약 12배 단축한 것으로 나타났다.
이번 연구는 과학기술정보통신부 개인기초연구사업 등의 지원을 받아 수행했다. 연구 결과는 의료영상 분석 분야 세계적 국제학술대회인 ‘MICCAI 2026’에서 발표됐다.
연구팀은 “이번 기술이 대규모 병리 영상 분석에 필요한 시간과 연산 자원을 줄이고, 향후 의료 현장에서 활용할 수 있는 효율적인 AI 기반 병리 진단 보조 시스템 개발에 기여할 것”이라고 기대했다.
