세계보건기구(WHO) 추정치 임신 관련 합병증으로 인해 전 세계적으로 매년 250,000건 이상의 예방 가능한 사망이 발생한다는 것입니다. 산전 초음파 검사는 할 수 있지만 개선 결과 및 줄이다 태아 및 산모 사망률, 3분의 2 전 세계적으로 수많은 사람들이 초음파와 같은 진단용 의료 영상에 접근할 수 없습니다. 모자 보건을 지원하는 현재의 방법은 전문 임상 훈련에 크게 의존하고 있어, 자원이 부족한 지역의 수백만 명이 임신 전 기간 동안 단 한 번의 초음파 검사도 받지 못하고 있습니다.
우리는 실제 세계의 이러한 요구를 해결하기 위한 연구를 수행할 기회를 보았습니다. 즉, "을 해석하는 기계 학습 시스템을 개발하는 것입니다.블라인드 스윕초음파 검사입니다. 이 검사 방식은 전문 초음파 교육을 받지 않은 일선 의료 종사자도 저렴하고 휴대 가능한 초음파 프로브를 복부에 표준화된 패턴으로 미끄러뜨리는 방식만으로 검사를 수행할 수 있게 해줍니다.
데이터 수집 프로토콜에 나타나는 순서대로 정리된 블라인드 스윕 시퀀스 프로토콜 다이어그램.
많은 지역에서 전문가가 심각하게 부족하고, 기존의 초음파 검사자 양성은 비용이 많이 들 뿐 아니라 수년에 걸친 교육이 필요하기 때문에, 이러한 보건 인력이 최소한의 교육만으로 검사를 수행할 수 있게 되면 산전 검사 범위를 크게 확대할 수 있는 잠재력이 있습니다.
최소한의 교육 요건과 AI 해석을 결합하면 궁극적으로 초음파 기반 임신 평가의 가용성을 높이고, 이를 통해 더 높은 수준의 모자 보건에 대한 접근성을 개선할 잠재력을 지닌 성공적으로 개발된 도구를 의미할 수 있습니다.
《블라인드 스위프 초음파를 이용한 AI 기반 임신 주수 평가의 일반화”에 게재된 JAMA Network Open, 우리는 임신 주수 평가(임신이 얼마나 진행되었는지)를 위한 AI 모델이 다양한 임상 환경과 하드웨어 전반에 얼마나 효과적으로 일반화되는지 평가했습니다. 당사의 선행 연구 동일한 후향적 코호트에서 학습하여 보지 못한 환자를 대상으로 모델 성능을 검증했던 이전 연구와 달리, 이번 새로운 전향적 연구는 숙련되지 않은 조작자와 낯선 초음파 장비만으로, 최소한의 미세 조정만 거쳐 실제 병원에서 모바일 기기로 실시간 작동하는 AI 시스템이 안정적으로 수행됨을 보여준다.
“임신 주수란 기본적으로 여성이 임신에서 어느 정도 진행되었는지를 말합니다. 우리의 모든 선별검사, 많은 치료법, 그리고 분만의 많은 적응증이 모두 임신 주수에서 얻어지는 이 기본 타임라인에 기반합니다.”
다양한 임상 환경에서의 성능 평가
의료 AI 시스템이 전 세계적으로 안전하게 확장되려면 일반화 가능성을 입증해야 합니다. 즉, 모델이 학습된 환경과 다른 환자 집단, 임상 워크플로우, 초음파 하드웨어 변형을 가진 새로운 임상 환경에 도입되었을 때에도 정확한 진단 성능을 유지해야 합니다.
본 연구에서 우리의 자체 AI 모델을 대상 집단 중 하나에 대해서만 최소한으로 조정한 뒤, 두 대상 환경 모두에서 전향적으로 테스트했습니다:
- 노스웨스턴 메디슨(Northwestern Medicine): 미국 일리노이주 시카고에 위치한 도시형 고자원 학술 의료센터.
- Jacaranda Health: 케냐 나이로비의 도시 지역 커뮤니티 클리닉 네트워크.
원래는 노스캐롤라이나와 잠비아에서 Sonosite, GE, Butterfly Networks의 상용 초음파 프로브 세트를 사용해 수집한 초음파 데이터로 학습된 이 연구용 AI 시스템은 상용 휴대용 경복부 프로브인 Clarius C3와 결합되었습니다. 이들 현장은 모두 여성이 처음 산전 관리를 받는 시기, 정기 초음파 검사 횟수, 임신 주수 산정 방식 등 다양한 진료 측면에서 차이가 있었습니다.
효율적인 시스템 조정을 평가하기 위해 이 연구는 시카고의 120명 참가자로 구성된 소규모 파일럿 데이터셋(원래 학습 세트의 약 6%)을 활용하여 모델을 새로운 프로브 하드웨어에 적응시키고 임신 주수 예측 범위를 36주 이상으로 확장했습니다. 일반화 가능성을 이해하기 위해 나이로비 현장의 데이터는 파인튜닝에 전혀 사용되지 않았으며, 케냐 임상 검증은 엄격히 독립적인 외부 테스트로 유지되었습니다. 포괄적인 유용성을 평가하기 위해 이 연구에는 다태아 임신 사례도 포함되었으며, 이는 인공 조작자와 자동화 시스템 모두에게 추적 및 측정상의 어려움을 줄 수 있습니다.
미국 노스캐롤라이나와 잠비아의 1,968명 참가자 데이터로 학습된 우리의 블라인드 스윕 모델은 일리노이주 시카고의 120명 참가자 스캔으로 파인튜닝되었습니다. 이후 나이로비 데이터로는 파인튜닝 없이 시카고(n=192)와 나이로비(n=193)에서 전향적으로 테스트되었습니다. 이 모델은 두 현장 모두에서 임신 주수 산정에 있어 전문 초음파 검사자에 비열등함을 보였으며, 결합 평균 절대 오차는 4.18일 대 4.48일이었습니다.
주요 발견: 전문가 수준의 표준과 일치
우리는 blind sweep 초음파로부터 태아의 나이를 추정하는 AI 시스템의 능력을, 임상 표준 전문가 접근법에 기반한 공식 기반 추정과 비교했습니다. 이 전문가 접근법은 숙련된 초음파 검사자가 태아의 여러 특정 단면을 찾아 정밀한 생체계측을 수행하는 것에 의존하며, 이는 수년간의 훈련이 필요하고 검사자에 따라 결과가 크게 좌우되어 확장하기 어려운 작업입니다.
임신 16주에서 36주 사이의 참가자 385명으로 구성된 기본 코호트를 평가한 이 진단 연구는 AI 시스템의 강력한 결과를 입증했습니다:
- 임상적으로 열등하지 않은 정확도: 두 코호트 모두에서 AI 모델은 임신 주수 추정 시 4.18일의 평균 절대 오차(MAE)를 기록했으며, 전문 초음파 검사자가 수행한 표준 임상 절차의 4.48일 MAE와 비교해 비열등성을 성공적으로 입증했습니다.
- 교차 상황 일반화시카고에서는 적응된 모델이 4.10일의 MAE를 달성했습니다. 나이로비에서는 현지 최적화가 전혀 없는 상태에서도 모델이 4.27일의 비슷한 수준의 MAE를 달성했습니다.
AI 시스템의 임신 주수 오차(MAE 4.18일)는 전문 초음파 기사의 생체계측(4.48일)에 비해 열등하지 않았으며, 모델이 현지 파인튜닝 없이 진행된 나이로비(4.27일)까지 시카고(4.10일)에 이르기까지 일관성을 유지했습니다.
정확도 외에도, 탐색적 지표들은 해당 연구 AI 시스템이 복잡한 시나리오에서도 회복탄력적이었음을 보여주었습니다. 예를 들어 태아 체중이 극단적인 경우(90백분위수 초과)에서 모델은 전통적인 생체계측 공식보다 우수한 성능을 보였으며, 태아 크기 변화에 대한 강건성을 입증했습니다.
시제 배포 과정에서 얻은 교훈
AI를 통해 초음파 접근성을 크게 확대할 수 있는 엄청난 기회를 강조하는 것 외에도, 이 전향적 다기관 연구를 통해 실제 임상 환경에서 AI가 어떻게 작동하는지 적극적으로 관찰하고 최적화할 수 있었습니다. 우리 시스템을 일상적인 임상 워크플로우에 직접 배치함으로써 실제 현장 사용을 위한 설계에 도움이 되는 실용적인 통찰력을 얻었습니다. 예를 들어, 연속적인 환자 진료 사이에 기기를 충전 상태로 유지하기 위해서는 플러그인 도킹 스테이션보다 교체 가능한 배터리가 중요하다는 점을 관찰했습니다.
이러한 연구들은 또한 이런 종류의 AI 시스템을 배치하려면 임상의와 환자 모두와의 깊은 신뢰를 구축하는 것도 필요함을 보여주었습니다. 궁극적으로 이를 달성하는 한 가지 중요한 방법은 앱에 명확한 안전장치를 내장하는 것입니다. 예를 들어 저희 모델이 생성한 모델 신뢰도 추정치를 활용해 품질이 낮은 스캔(스윕)을 거부하고 모델의 불확실성을 임상의 사용자에게 전달하는 것입니다.
앞으로의 전망: AI로 의료 접근성 확대하기
이번 연구 결과는 AI 기반 시스템이 초음파 전문 교육을 받지 않은 검사자가 획득한 표준화된 '블라인드 스윕' 이미지를 분석할 수 있음을 시사합니다. 태아 나이에 대한 AI 추정의 정확도는 전문 검사자와 더 비싼 전통적인 카트형 초음파 장비를 사용하는 현재의 표준 진료 수준과 비슷했습니다. 다양한 임상 환경, 하드웨어, 그리고 변화하는 인구 집단 전반에서 기술적 일반화 가능성을 입증한 것은, 모성 건강을 위한 이러한 중요한 역량에 대한 접근을 확대할 잠재력을 부각하는 중요한 한 걸음입니다.
최소한의 교육을 받은 지역사회 보건 인력이 신뢰할 수 있는 초음파 검사를 수행할 수 있도록 함으로써, 이 연구는 의료 자원이 부족한 지역의 수백만 명을 대상으로 산전 관리 범위를 확대할 수 있는 가능성을 보여줍니다. 이러한 확장 가능한 기술의 역량을 연구함으로써 더욱 회복력 있고 접근하기 쉬운 의료 체계의 기반을 마련하여, 모든 산모가 거주지에 관계없이 건강한 임신과 안전한 분만의 기회를 가질 수 있도록 보장합니다.
이 현장 진료(point-of-care) 연구는 AI를 통해 의료 접근성을 확대하려는 우리의 더 넓은 비전의 잠재적 응용 분야를 보여줍니다. 이번 연구에서 얻은 통찰력은 차세대 멀티모달 의료 지능 연구 개발에 반영됩니다. 지속적인 연구를 통해 우리는 개발 커뮤니티와 과학자들에게 임상 진료를 개선하고 모든 사람이 도움을 받고 이용할 수 있도록 하는 데 필요한 답을 제공하기 위해 노력하고 있습니다.
감사의 말
Google Research, Jacaranda Health, Northwestern University Feinberg School of Medicine 전역의 공동 저자들인 Chace Lee, Justin Krogue, Anneka Wickramanayake, Stacey Caron, Priscah Cheruiyot, Amber Watters, Alicia Martín, Tiya Tiyasirichokchai, Akib Uddin, Yun Liu, Patricia Strachan, Sunny Jansen, Alyssa Santi, Preeti Singh, Catherine Arguelles, Kenneth Hudson, David Melnick, Mahesh Vaidyanathan, Mozziyar Etemadi, Yossi Matias, Avinatan Hassidim, Greg Corrado, Shruthi Prabhakara, Daniel Golden, Ryan G. Gomes, Shravya Shetty에게 감사를 전합니다. Pi-Chuan Chang과 Dale Webster에게 이 연구를 검토해 준 것에 감사드립니다.