왼쪽: 2개의 림프절 생체검사에서 나온 이미지. 중간: 구글 딥 러닝 종양 탐지의 초기 결과. 오른쪽: 현재 결과. 두 버전 기이에 눈에 띄게 감소된 잡음(잠재적 false positive)을 확인할 수 있다.
 

구글은 금요일 자사 리서치 블로그를 통해 자체 개발한 딥 러닝 알고리즘이 암 인식률에서 병리학자들보다 높다고 말했다. 병리학자가 환자의 생물학적 조직을 검사한 후 내놓는 보고서는 많은 질병 진단의 핵심기준이 되고 있다.

인간 병리학자들은 동일한 환자에 대해 다른 진단이 나오고, 이는 오진에 이르게 할 수 있다. 예를 들면 유방암에 대한 진단의 일치가 48%로 저조하고, 전립선암의 경우도 비슷하게 저조하다.

정확한 진단을 하기 위해 검토해야 하는 방대한 양의 정보를 감안할 때 병리학자들 간의 불일치는 놀라운 일이 아니다. 병리학자는 슬라이드에서 볼 수 있는 모든 생물학적 조직을 검토할 책임이 있다. 그러나 환자 당 슬라이드가 여러 개 있을 수 있고, 각 슬라이드는 40배 배율로 디지털화 하면 그 용량은 10기가픽셀이 된다. 1000만 메가픽셀의 사진을 처리하고 모든 픽셀에 대해 책임을 져야 하는 상황을 상상해 본다면, 병리학자들이 얼마나 많은 데이터를 다루며 또한 시간이 얼마나 부족한지 말할 것도 없다.

구글은 제한된 시간과 진단의 다양성 문제를 해결하기 위해 병리학자의 작업 흐름을 자연스럽게 보완할 수 있는 자동화된 탐지 알고리즘을 개발해 디지털 병리학에 얼마나 딥 러닝을 적용할 수 있는지 조사하고 있다. 구글은 2016 ISBI Camelyon Challenge에 사용 된 이미지(Radboud University 메디컬 센터에서 제공)를 사용하여 유방에 인접한 림프절로 전이된 유방암의 국소화 알고리즘을 학습했다.

림프절 생체검사의 근접 촬영. 조직은 유방암 전이 뿐만 아니라 종양과 유사하지만 양성 정상 조직인 대식세포를 포함하고 있다. 구글 알고리즘은 성공적으로 종양 영역(밝은 녹색)을 식별하고 대식세포에 의해 혼동되지 않는다.

그 결과는 병리학자가 하는 것처럼 다른 확대 이미지를 검사하기 위한 네트웍 트레이닝을 포함해 추가 커스텀화를 한 후, 구글은 슬라이드를 검사하기에 제한된 시간을 가진 병리학자의 성능과 동일하거나 혹은 이 이상의 모델을 트레이닝할 수 있었다. 실제로 알고리즘에 의해 생성된 예측 히트 맵(heat map)은 알고리즘의 국소화 점수(FROC)가 89%에 이르렀고, 인간 병리학자가 가장 높게 받았던 점수인 73%를 크게 앞섰다.