암 진단 효율 높인 퓨샷 학습 모델 PRET 개발

주장PRET는 별도의 학습 과정 없이도 다양한 장기와 병원에서 암을 효과적으로 인식하는 퓨샷 학습 시스템입니다. 기존 인공지능 모델이 질병마다 방대한 라벨링 데이터를 요구하던 한계를 극복했습니다.

팩트연구진은 23개의 국제 벤치마크와 4,484개의 전체 슬라이드 이미지를 사용하여 모델을 평가했습니다. 그 결과 20개의 작업에서 기존 방식을 능가하는 성능을 보였습니다.

팩트15개의 벤치마크에서 97% 이상의 곡선 아래 면적 수치를 기록했습니다. 성능 개선 폭은 최대 36.76%에 달합니다.

팩트림프절 전이 탐지 작업에서 단 8개의 슬라이드 예시만으로 임상 수준의 진단 성능을 달성했습니다. 이는 11명의 병리학자보다 뛰어난 성과입니다.

교차검증본 연구는 데이터가 부족한 소수 인구와 의료 서비스 취약 지역에 혜택을 줄 것으로 기대합니다. 다만 실제 임상 환경에서의 범용성과 안정성에 대한 지속적인 검증이 필요합니다.

팩트모델의 가중치와 파이썬 패키지 등 모든 관련 코드는 깃허브를 통해 공개했습니다. 연구진은 상세한 지침과 평가 스크립트를 함께 제공하여 재현성을 높였습니다.

팩트GDPH와 QPCH에서 확보한 내부 데이터셋은 허깅페이스를 통해 공개했습니다. 여기에는 식도암, 갑상선암, 대장암 등 다양한 암종 데이터가 포함되어 있습니다.

팩트CAMELYON16 및 CAMELYON17과 같은 공개 데이터셋도 활용했습니다. TCGA 데이터셋은 미국 국립보건원 게놈 데이터 공유 포털에서 확인할 수 있습니다.

주장이번 기술은 병리학 분야의 인력 부족 문제를 해결할 유연하고 비용 효율적인 대안입니다. 인공지능 기반 병리 시스템의 공평한 접근성을 보장하는 데 기여합니다.

출처네이처(Nature) 학술지 논문(https://www.nature.com/articles/s43018-026-01141-2)과 깃허브(https://github.com/xmed-lab/PRET) 저장소를 교차 검증했습니다.