마우스 종양 분석용 딥러닝 자동 분할 모델 TumSeg 개발
연구진이 마우스 이종이식 모델의 종양을 자동으로 분석하는 딥러닝 기반 모델 TumSeg를 개발했습니다. 이 모델은 수동 분석보다 높은 정확도와 일관성을 보이며 신약 개발 효율을 높일 것으로 기대됩니다.
주장암 신약 개발 과정에서 마우스 이종이식 모델은 필수적이나 수동 분석은 시간 소모가 크고 편향이 발생할 위험이 있습니다. 연구진은 이러한 문제를 해결하고자 딥러닝을 활용한 자동 종양 분할 도구인 TumSeg를 개발했습니다.
팩트TumSeg 모델은 452개의 다양한 컴퓨터 단층 촬영(CT) 스캔 데이터를 사용하여 학습 및 검증을 마쳤습니다. 해당 모델은 0.935 ± 0.036의 다이스 점수를 기록하며 기존 분석 방법보다 우수한 성능을 보였습니다.
팩트우수한 성능을 바탕으로 종양 부피 측정에서 1.5% ± 9.8%의 오차율을 기록했습니다. 양전자 방출 단층 촬영(PET) 스캔 데이터에서 추출한 %ID mean 값은 -0.5% ± 4.4%, %ID max 값은 0.1 ± 5.0%의 오차를 보였습니다.
주장이러한 수치는 수동 분석 대비 높은 정확도와 일관성을 제공합니다. TumSeg는 종양의 크기, 위치, 형태가 다양한 10개의 데이터셋에서도 견고한 성능을 유지합니다.
주장이는 연구 환경에서 발생하는 다양한 변수에 모델이 유연하게 대응할 수 있음을 의미합니다. TumSeg는 분석 품질을 예측하는 불확실성 정량화 모듈을 포함합니다.
팩트불확실성 정량화 모듈은 다이스 점수가 0.850 미만인 스캔을 오류 없이 식별합니다. 이 기능은 분석 결과의 신뢰성을 보장하는 역할을 합니다.
주장TumSeg는 자기 공명 영상(MRI) 스캔 데이터에도 성공적으로 미세 조정이 가능합니다. 이는 본 기술이 PET-CT를 넘어 다양한 영상 의학 분야로 확장될 수 있는 잠재력을 가졌음을 시사합니다.
교차검증본 연구는 덴마크 동물 실험 감독관청의 승인을 받아 수행되었습니다. 모든 실험은 유럽 의회의 동물 보호 지침을 준수했습니다.
교차검증연구의 윤리적 타당성과 데이터의 투명성을 확보하기 위해 동물 연구 보고 지침인 ARRIVE 가이드라인을 따랐습니다.
팩트본 프로젝트는 유럽 연합의 호라이즌 2020 프레임워크 프로그램을 비롯하여 노보 노르디스크 재단, 룬드벡 재단 등 다수의 기관으로부터 연구 자금을 지원받았습니다.
주장TumSeg의 도입은 전임상 종양 분석의 속도와 정확도를 획기적으로 개선합니다. 이는 신약 개발의 효율성을 높이고 연구자의 수동 작업 부담을 줄이는 데 기여합니다.
출처Jensen, M.E.K., Clemmensen, A., Hansen, J.G. et al. Automatic deep learning-based tumor segmentation for PET-CT in mice with an uncertainty quantification module. Sci Rep (2026). 해당 논문을 통해 위 내용을 교차 검증했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
