CUSAT, 딥 러닝으로 암 검진 개선

AI는 유방암 종양 등급의 일관성과 반복성을 개선할 수 있지만 AI 솔루션을 구축하기는 어렵습니다. 훈련을 위해 영상에 주석을 다는 것은 시간이 오래 걸리고 힘들며, 사용할 수 있는 레이블이 지정된 영상이 많지 않습니다.

두 연구원이 새로운 접근법을 개발했습니다. 이 방식은 레이블이 지정된 영상과 지정되지 않은 영상을 함께 사용하여 주석 업무량을 최소화하면서 정확도를 높일 수 있습니다. 이 솔루션은 GPU에서 실패했기 때문에 인텔은 2세대 인텔® 제온® 스케일러블 프로세서 기반의 기술 아키텍처를 지원했습니다.

당면 과제

• 딥 러닝 솔루션은 암 진단에 도움이 될 수 있지만 훈련을 위해서는 레이블이 지정된 영상이 필요합니다.
• 조직병리학적 영상 레이블링은 시간이 오래 걸리고 노동 집약적입니다.
• 최상의 결과를 위해서는 딥 러닝 솔루션이 고해상도 영상을 처리할 수 있어야 하며, GPU는 메모리에 전체 AI 모델을 저장할 수 없습니다.

솔루션

• NAS-SGAN 접근법은 레이블이 지정되지 않은 영상을 사용하여 데이터 분포를 파악하고, 레이블이 지정된 영상을 사용하여 암 등급을 매깁니다.
• 2세대 인텔® 제온® 스케일러블 프로세서를 기반으로 하는 4개의 서버는 서버당 192GB의 메모리를 사용하여 솔루션을 동시에 훈련합니다.
• Intel® Optimization for TensorFlow를 사용하면 프로세서에서 가속 기능을 쉽게 사용할 수 있습니다.

결과

• NAS-SGAN은 주석이 달린 데이터의 20%만 사용하여 98%의 정확성을 보였습니다.¹
• 새로운 솔루션은 암을 감지할 뿐 아니라 분류할 수도 있습니다. 이전의 생성적 적대 신경망(GAN)을 기반으로 한 솔루션에서는 할 수 없었던 기능입니다.
• 이 솔루션은 의사가 영상과 분류를 검토하고 진단 결정을 내릴 수 있도록 하여 진단을 간소화합니다.

레이블이 지정된 데이터의 부족으로 인해 어려움을 겪는 암 AI

유방암은 세계에서 가장 흔한 암으로, 2020년에 230만 명의 여성이 유방암 진단을 받았습니다.² 유방암은 모든 국가에서 발생하며, 사춘기 이후의 모든 연령대에서 주로 여성에게 영향을 미칩니다.

질병을 진단하고 모니터링하기 위해 조직병리학적 영상이 사용됩니다. 이것은 조직 표본을 현미경으로 찍은 것입니다. 핵 비정형성 점수(NAS)는 종양 세포가 정상 조직과 얼마나 다른지에 따라 종양의 등급을 매깁니다. 세계보건기구(WHO)는 노팅엄 조직학적 등급(NGS)을 유방암 등급 기준으로 채택했습니다. NGS는 환자의 생존 확률과 관련이 있으며 개별화된 치료 계획을 안내하는 데 사용될 수 있습니다.

수동으로 영상 등급을 매기기는 어렵습니다. 영상을 분석하는 의사가 일관되게 동일한 등급 결정을 내리지 않을 수 있으며, 분석을 수행하는 의사마다 의견이 다를 수 있습니다. 이 또한 시간이 소요되는 과정입니다.

딥 러닝을 사용한 자동 검진으로 수동 분석의 한계를 극복할 수 있습니다. 그러나 훈련 데이터가 부족하기 때문에 딥 러닝 모델을 구축하기가 어렵습니다. 원시 영상은 몇 분 만에 비용 효율적으로 생성할 수 있지만, 레이블을 지정하는 과정은 시간이 오래 걸리고 힘이 듭니다. 레이블이 지정된 조직병리학적 영상은 드뭅니다.

또한 딥 러닝 모델이 최상의 결과를 얻으려면 큰 이미지(1024x1024 픽셀)를 처리할 수 있어야 합니다. CUSAT 인공 지능 및 컴퓨터 비전 연구소의 Madhu Nair 박사는 이렇게 설명합니다. "영상의 등급을 정확하게 매기려면 형태학적 특징이 제대로 추출되는 것이 중요합니다. 암의 등급과 단계는 형태학적 특징에 따라 다릅니다. 단순히 모델 크기에 맞게 영상 크기를 줄일 수는 없습니다. 모든 차이점을 추출하기 위해 우리는 고해상도 이미지를 사용해야 합니다."

Asha Das 박사(인도 Union Christian College)는 Nair와 함께 협업하면서 도전에 나섰습니다. "우리의 의문은 레이블이 지정된 데이터를 조금만 사용하여 모델을 개발하면서도 정확도를 높일 수 있는지입니다." 라고 Nair 박사는 말합니다.

생성적 적대 신경망(GAN)으로 AI의 일반화 지원

생성적 적대 신경망(GAN)은 새로운 영상을 생성하고, 영상의 진위를 판단하는 데 사용할 수 있는 신경망 솔루션의 한 유형입니다. GAN은 함께 작동하는 두 개의 신경망으로 구성됩니다. 하나는 영상을 만드는 생성자, 다른 하나는 영상이 샘플 세트와 일치하는지 판단하는 구별자입니다.

GAN은 조직병리학적 영상을 생성하는 데 사용할 수 있습니다. 이러한 영상은 실제 조직병리학적 영상의 훈련 데이터 세트에 추가할 수 있으므로, 딥 러닝 모델이 이전에 본 적 없던 영상을 표시할 때 더욱 효과적으로 일반화할 수 있습니다.

GAN은 과거에도 종양과 기타 이상 징후를 감지하는 데 사용되었지만 이전 구현에서는 영상의 등급을 매길 수 없었습니다.
 

그림 1. NAS-SGAN 모델은 레이블이 지정되지 않은 영상을 사용하여 훈련 데이터 세트를 확장하는 새 영상을 생성하고, 레이블이 지정된 영상을 사용하여 구별자가 다양한 암 등급을 분류할 수 있도록 훈련합니다.

Das와 Nair는 다양한 암 등급을 구별할 수 있는 NAS-SGAN이라는 모델을 만들었습니다(그림 1 참조). 이 모델의 이름은 nuclear atypia scoring(NAS) semi-supervised generative adversarial network(SGAN)의 약자입니다. NAS-SGAN은 레이블이 지정되지 않은 영상을 사용하여 데이터 분포를 이해하고, 레이블이 지정된 이미지를 사용하여 암의 등급을 매깁니다.

이 작업은 두 단계로 작동합니다.

1. GAN은 실제 조직병리학적 영상과 구별할 수 없는 영상을 생성하는 데 사용됩니다. GAN은 비교적 쉽게 구할 수 있는 레이블이 지정되지 않은 영상을 사용하여 훈련됩니다. 새 영상은 솔루션이 데이터 분포를 파악하는 데 사용됩니다.
2. 그런 다음 GAN 구별자는 암 등급을 예측하기 위해 레이블이 지정된 영상으로 훈련됩니다.

GPU를 사용하여 솔루션을 구현하려는 시도는 실패했습니다. Nair는 "실행하는 데 며칠이 걸렸고 때로는 멈추었어요. 우리는 이러한 머신을 사용해서 프로젝트를 완료할 수 없었습니다." 라고 말했습니다.

Das와 Nair는 인텔과 협업하여 2세대 인텔® 제온® 스케일러블 프로세서를 사용해 솔루션을 구현할 수 있었습니다. 4대의 서버가 딥 러닝 가속기 없이 컴퓨팅 클러스터로 구성되었습니다. 서버와 스토리지는 25G 이더넷 네트워크를 사용하여 연결되었습니다.
Nair는 "인텔® 아키텍처는 정말 놀라웠어요. 우리는 몇 시간 만에 훈련을 완료할 수 있었습니다. 서버에는 그래픽 카드에서 사용할 수 있는 40GB나 80GB보다 큰 192GB의 메모리가 있었기 때문에 고해상도 영상을 사용하고 전체 모델을 메모리에 맞출 수 있었죠." 라고 설명했습니다.

소프트웨어 스택은 인텔® 프로세서의 가속 기능을 사용하도록 설계된 Intel Optimization for TensorFlow를 사용했습니다. 여기에는 딥 러닝 훈련에 자주 사용되는 매트릭스 연산을 가속하는 Intel® Deep Learning Boost(Intel® DL Boost)가 포함됩니다. "Intel Optimization for TensorFlow는 TensorFlow의 메인 버전과 동일하게 작동했습니다." 라고 Nair가 말했습니다.

오픈소스 Horovod 훈련 프레임워크는 서버 클러스터 전반에 분산 훈련을 가능하게 하는 데 사용되었습니다.

인텔의 연구 지원

인텔은 프로젝트의 기술적 측면에서 Das 및 Nair와 긴밀히 협력했습니다. Nair는 이렇게 설명했습니다. "우리에겐 아이디어가 있었지만 구현될지 여부가 걱정이었습니다. 저는 인텔 팀과 우리의 문제를 공유하였고, 인텔에서 이 작업의 중요성을 바로 이해해서 무척 기뻤습니다. 인텔은 우리에게 이 분산 아키텍처를 사용할 수 있는 기회를 주었습니다."

또 이렇게 덧붙였습니다. "또한 인텔은 우리가 모델을 개선하는 데 도움을 주었고, 모델이 작동할 수 있는 최적화를 공유했습니다. 우리가 성공할 수 있었던 이유죠. 우리는 인텔의 지원에 정말 감사하고 있습니다. 인텔 팀과 함께 일한 것은 정말 멋진 경험이었고 앞으로도 계속 협업하기를 기대합니다."

레이블이 지정된 제한된 훈련 데이터로 높은 정확도 달성

Das와 Nair는 유방암을 감지하는 데 사용되는 10개의 다른 GAN 알고리즘과 NAS-SGAN의 성능을 비교했습니다. NAS-SGAN은 98%의 정확도를 달성했으며, 다음으로 높은 점수를 받은 GAN(WGAN-GP)보다 약 10% 더 높습니다.¹ 정밀성은 97%이며, WGANGP보다 18% 더 높습니다.¹

또한 NAS-SGAN은 조화 평균을 나타내는 F1 점수에서도 뛰어났습니다.¹ 여기에는 무엇보다도 가양성과 가음성이 포함됩니다. NAS-GAN은 F1 점수가 97%이며, 이는 WGAN-GP보다 15% 더 높았습니다.¹

Das는 "우리는 결과에 정말 만족했어요. 주석이 달린 데이터의 20%만 사용해서 98%의 정확도를 달성한 것은 정말 놀라운 일입니다. 정말 흥미로웠죠." 라고 말했습니다.

또한 이렇게 덧붙였습니다. "우리 모델은 두 개의 GAN을 사용하는 방식 덕분에 등급을 구분하는 기능을 더 잘 구별할 수 있습니다. 중간 크기의 이미지를 사용해서도 거의 비슷한 결과를 얻을 수 있었죠."

다른 GAN을 사용할 때는 의사가 등급을 매기기 위해 영상을 연구해야 했습니다. NAS-SGAN의 자동화된 점수 매기기는 진단 프로세스와 분석 프로세스를 간소화하고 등급 산정의 일관성과 정확도를 높이는 데 도움이 됩니다. 의사는 영상과 등급 산정을 검토하여 치료 결정을 내릴 수 있습니다.

미래에는 어떻게 될까요? 연구원들은 뇌동맥류로 인한 사망과 내시경으로 용종을 분류하는 데 유사한 접근법이 어떻게 사용될 수 있는지 살펴보고 있습니다.

교훈

이 프로젝트를 통해 알게 된 가장 중요한 사실은 다음과 같습니다.

• NAS-SGAN 알고리즘은 암 영상의 등급을 매기는 기능을 추가하여 유방암 검진을 위한 다른 GAN 모델의 단점을 해결합니다.
• NAS-SGAN은 주석이 달린 데이터를 제한된 분량만 사용할 때도 정확도가 높은 결과를 얻습니다.¹ 이는 시간 소모적이고 노동 집약적인 영상 분류 프로세스를 최소화하는 데 도움이 됩니다.
• 연구원들은 GPU를 사용하여 이 프로젝트를 구현할 수 없었습니다. CPU를 사용하면 1024x1024 픽셀의 고해상도 훈련 영상을 사용하여 AI 모델을 훈련하고 전체 모델을 메모리에 유지할 수 있습니다.
• Intel Optimization for TensorFlow에는 인텔 아키텍처에서 TensorFlow의 성능을 가속하는 기능이 포함되어 있습니다.

솔루션의 기술적 구성 요소

• 인텔® 제온® Gold 6248 프로세서. 이러한 2소켓 프로세서는 20개의 코어를 제공합니다. 프로세서는 딥 러닝 솔루션을 위해 192GB의 메모리를 갖춘 서버에 내장됩니다.
• Intel Optimization for TensorFlow. 이 소프트웨어는 인텔 프로세스의 가속 기능을 활용하여 인텔 아키텍처에서 TensorFlow의 성능을 향상시킵니다.
• Horovod. 이 오픈소스 솔루션을 통해 연구원들은 단일 클러스터에서 작업하면서 여러 대의 서버에서 훈련을 실행할 수 있습니다. 각 서버는 64개의 영상 배치에서 16개의 영상을 동시에 처리했습니다.

PDF 다운로드 ›