디지털 병리학과 AI

병리학은 새로운 치료법의 개발, 진단, 병기 분류, 질병의 등급화 임상적 의사 결정에 이르기까지 암 치료에서 중요한 역할을 합니다. 조직 생검의 조직병리학 슬라이드는 헤마톡실린과 에오신(H&E) 염색과 면역조직화학(IHC) 염색이 여전히 이 프로세스의 핵심적이지만(H&E 염색은 조직 구조를 전반적으로 보여주고, IHC 염색은 분자 마커를 식별함), 둘 모두 정밀의학 검사에 중요하며 검사¹의 증가로 인해 병리학 실험실에 대한 수요가 커지고 있습니다. 전 세계의 의료 기관들은 이 문제를 해결하기 위한 자원 부족에 직면하고 있으며, 주로 병리학을 전문으로 선택하는 의료 전문가²의 수가 감소하고 있기 때문입니다. 추가적인 해결 과제로는 보다 광범위한 스크리닝 프로그램과 의료 기술³의 발전에 따른 검사율의 증가, 암 발생률 증가, 검사의 복잡성 증가 등이 있습니다.

많은 연구 및 임상 실험실에서 제한된 리소스로 증가하는 수요를 해결하기 위해 프로세스를 디지털화함으로써 워크플로 효율성을 높이고 분석 품질을 개선하려는 노력을 기울이고 있습니다⁴. 이 접근 방식은 컴퓨터 리소스를 활용하여 개별 병리학자의 부담을 줄여줌으로써 가장 영향력이 큰 분야에 전문 지식을 집중할 수 있게 해줍니다. 병리학자들은 방사선 및 심장 영상의 발전에 따라 디지털 병리학과 AI를 조직 병리학의 중요한 진전으로 받아들이고 있습니다⁵. 이는 또한 병리학 안팎에서 의료 스펙트럼 전반에 걸쳐 전문가 간의 커뮤니케이션을 향상시키는 것을 목표로 합니다. 보다 빠르고 일관된 품질의 진단을 실현하는 것이 궁극적인 목표입니다.

디지털 병리학의 역할 확대

디지털 병리학 발전의 핵심은 고해상도 스캐너를 사용하여 조직 시료의 현미경 이미지를 캡처하고 디지털 방식으로 연결하는 전체 슬라이드 이미징(WSI) 기술입니다. 다양한 배율로 이미지를 촬영할 수 있어 조직 형태학 및 면역 침습부터 핵 식별 및 바이오마커 위치 파악에 이르기까지 다양한 통찰력을 제공합니다. 지도상의 유사체 외에도 WSI는 종양 미세 환경(TME)의 특성을 규명하는 데 필수적인 조직의 z축(z-스태킹)을 따라 이미지 초점을 변경하여 3D 정보를 제공할 수 있습니다.

디지털화⁶의 주요 이점 중 하나는 원활한 원격 상담 및 원격 병리학을 촉진하여 병리학자가 동료와 환자 생검에 대한 의견을 쉽게 나누거나 연구 협력자가 실험 결과를 공유하고 논의할 수 있다는 점입니다. 또한 의료 네트워크 내 여러 위치에서 채취한 시료 분석을 중앙 집중화하는 데에도 도움이 됩니다.

물리적 슬라이드는 빛 및 온도 등의 환경적 요인이나 잘못된 라벨링, 파손과 같은 관리상의 문제로 인해 시간이 지남에 따라 품질이 저하될 수 있습니다. 반면에, WSI는 이를 디지털 방식으로 보관합니다. 이를 통해 원래 시료를 채취한 후 수년이 지나도 분석이 가능하며, 원하는 경우 전자건강기록(EHR)과 같은 다른 환자 정보에 연결할 수 있습니다⁷.

WSI는 병리학자에게 조직 시료에 대한 보다 풍부한 정보를 제공하지만, 이러한 방대한 양이 분석 프로세스에 부담을 주기도 합니다. 예를 들어, 고해상도 디지털 이미지를 생성하기 위해 전체 현미경 슬라이드를 스캔하는 과정이 WSI에 포함되기 때문에 이로 인해 분석할 세포가 더 많아지므로 데이터의 양이 증가합니다. 이는 조직 시료의 특정하고 임상적으로 관련된 관심 영역(ROI)에 집중해야 하는 병리학자의 분석 프로세스를 복잡하게 만들 수 있습니다. 바로 여기서 AI의 발전이 해결책을 제시할 수 있습니다.

Visiopharm의 경우와 같이 학습된 디지털 병리학 알고리즘은 분석 프로세스의 다양한 단계를 자동화할 수 있는데 여기에는 조직 내 다양한 세포 유형 및 핵 형태 식별, 정상 조직과 비정상 조직 영역 정의, 면역 침윤 강조, 면역조직화학적 염색 및 바이오마커의 위치와 강도 표시, 그리고 유사분열 상태 및 병리학자의 슬라이드 해석에 정보를 제공하는 기타 특징의 열거하는 등이 포함됩니다. 병리학자는 이러한 주요 특성을 측정함으로써 관심 영역(ROI)에 대한 보다 심층적이고 정성적인 분석에 집중할 수 있습니다. 이러한 방식으로 AI는 병리학자를 대체하는 것이 아니라 그들의 노력을 뒷받침하여 증강 지능으로 설명되는 역할을 하게 됩니다.

디지털 병리학에서 AI의 해결 과제 탐구

디지털 병리학 플랫폼은 지난 10년 동안 임상에서 상당한 발전을 이루었지만 많은 AI 알고리즘을 연구 목적을 벗어나 사용할 수 있으려면 여전히 많은 숙제가 남아 있습니다. 대규모 계산 작업과 마찬가지로, 데이터 품질, 양, 그리고 변동성은 이러한 알고리즘이 이상적인 실험실 환경에서 실제 임상 응용으로 발전하는 데 계속해서 도전 과제가 되고 있습니다⁸.

임상의와 규제 기관은 알고리즘이 결론에 도달하는 방식을 알고 싶어하기 때문에 AI의 설명 가능성도 여전히 어려운 과제로 남아 있습니다. AI 플랫폼은 때로 컴퓨터 과학에 익숙하지 않은 사람에게 “블랙 박스”로 불립니다. 임상적 사용의 경우, 설명 가능성은 병리학자가 특히 의견이 서로 다른 경우 플랫폼의 권장 사항에 얼마나 의존할지 결정하는 데 도움이 됩니다. 사용자 인터페이스 기능은 AI 시스템을 결론으로 이끄는 파라미터를 보여주어 이 과정을 용이하게 할 수 있습니다.

AI 알고리즘에 대한 규제 승인과 관련하여 해결 과제는 두 가지 형태로 나타납니다. AI 플랫폼이 널리 인정되고 검증된 진단 방법을 효과적으로 따르고 지원한다면 규제 승인으로 가는 경로가 더 원활할 것이며, 플랫폼이 이미 존재하는 기반 위에서 어떻게 개선될지가 문제의 중심이 될 가능성이 높습니다. 그러나 AI의 강점 중 하나는 이전에 확인되지 않은 진단 및 예후 패턴과 특징을 식별하고 연관시키는 능력입니다. 이러한 상황에서, 승인 절차는 플랫폼의 검증뿐만 아니라 식별된 패턴과 특징의 임상적 건전성도 요구하게 될 것입니다⁹.

디지털 병리학의 광범위한 채택을 위해서는 표준화도 중요할 것입니다. DICOM(Digital Imaging and Communications in Medicine) 형식을 준수하는 방사선 플랫폼과 달리 슬라이드 스캐너 제조업체는 다양한 형식의 이미지 데이터를 생성하므로 일상적인 진단이 더욱 복잡해집니다. 공급업체에 구애받지 않는 표준으로의 전환은 공통된 언어를 제공하여 디지털 병리학 데이터를 방사선학 사진 보관 및 통신 시스템(PACS), 실험실 정보 시스템(LIS) 및 EHR과 같은 다른 임상 시스템에 연결하려는 노력을 촉진할 것입니다.

연구 분야 내에서도 표준의 필요성으로 인해 여러 소스에서 발생할 수 있는 AI 알고리즘 학습 및 검증 데이터의 개발이 복잡해집니다. 예를 들어, 한 기관의 데이터로만 개발된 플랫폼은 원본 데이터의 고유한 특성으로 인해 다른 기관의 데이터에서 효과적으로 작동하지 않을 수 있습니다. 이로 인해 플랫폼을 더 광범위하게 사용할 때 결과의 정확도가 떨어질 수 있습니다. WSI와 관련된 표준 및 메타데이터 유형에 대한 광범위한 합의는 이러한 문제를 해결하는 데 도움이 될 것입니다¹⁰.

디지털 병리학 데이터의 저장 전략

디지털 병리학이 병리 이미지의 공유, 분석 및 저장을 촉진할 수 있는 기회는 분명하지만, 이러한 실무를 구현하는 데는 특히 이미지 저장과 관련하여 상당한 어려움이 따릅니다. 각각 2-4GB에 가까운 고해상도 WSI 파일을 생각한다면 일반적인 디지털 병리학 운영에 연간 최대 1페타바이트의 데이터가 생성되는 것이라고 쉽게 추측할 수 있습니다. 이러한 IT 요구는 최대 20년 동안 보존된 이미지를 볼 수 있어야 하는 장기 스토리지 요구 사항으로 인해 더욱 심화됩니다. 이러한 대용량의 증가하는 데이터를 저장하는 데 드는 비용은 상당하며, 여기에는 물리적 저장 매체의 확장 및 유지보수뿐만 아니라 데이터의 유지보수와 보안도 포함됩니다.

클라우드 스토리지 솔루션은 증가하는 데이터 볼륨에 따라 확장할 수 있는 확장 가능한 스토리지 옵션을 제공하여 여러 위치의 데이터에 더 쉽게 액세스할 수 있도록 하고 사용량당 결제(pay-as-you-go) 모델을 통해 잠재적으로 비용 효율성을 높일 수 있습니다. 대용량 WSI 파일의 분산 업로드와 액세스는 대역폭과 인터넷 연결 안전성에 많은 부담을 줍니다. 자체 인프라 요구 사항이 적은 클라우드 스토리지는 광범위한 서버 용량 외의 요구에 제한된 재정 및 조직 자원을 할당하고자 하는 소규모 실험실에 유익할 것입니다¹¹.

그러나 규모가 크고 트래픽이 많은 실험실일수록 자주 액세스하는 데이터를 위한 온프레미스 스토리지와 장기 보관을 위한 클라우드 스토리지를 결합한 하이브리드 접근 방식에 관심이 높을 수 있습니다. 이 접근 방식은 인프라 비용을 최적화하는 동시에 병리학자가 중요한 임상적 의사 결정 데이터에 쉽게 액세스할 수 있도록 지원합니다. 또한 하이브리드 접근 방식은 민감한 데이터를 온프레미스에 보관하는 동시에 덜 중요한 데이터에는 클라우드를 활용하여 보안을 강화하고 실험실의 특정 요구 사항에 따라 성능, 비용 및 보안의 균형을 맞출 수 있는 유연성을 제공합니다.

암 진단에 혁명을 일으킬 수 있는 잠재력

디지털 병리학의 통합은 병리학자가 암 진단에 혁명을 일으키고 적절한 치료법을 선택하는 데 도움을 줄 수 있는 엄청난 잠재력을 가지고 있습니다. WSI 및 AI 알고리즘에서 상당한 진전이 있었지만 데이터 품질, 가변성 및 설명 가능성과 같은 과제도 남아 있습니다. 데이터 형식을 표준화하고 다양한 실제 조건에서 AI 플랫폼을 검증하려는 노력이 계속되고 있으며, 광범위한 임상 채택을 위해서는 이러한 노력이 중요합니다. 이러한 기술은 발전을 거듭하면서 병리학자에게 암 치료의 증가하는 복잡성을 관리할 수 있는 강력한 도구를 제공함으로써 진단 정확성을 향상시키고 워크플로를 간소화할 좋은 기회를 선사합니다.

달리 언급되지 않는 한, 모든 제품은 연구용으로만 사용되며 임상 진단 절차에는 사용할 수 없습니다. 언급된 디지털 병리학 솔루션은 모든 국가에서 사용할 수 있는 것은 아니며 국가마다 규제 상황이 다를 수 있습니다. 해당 국가에서의 사용 가능 여부는 현지 애질런트 담당자에게 문의하시기 바랍니다.