고해상도 병리영상 AI 분석 속도 12배 높였다

-정원기 교수팀, 고해상도 병리영상 정보를 저해상도 AI에 전달하는 ‘지식 증류’ 기술 개발

△ 고해상도 영상과 저해상도 영상을 각각 처리하는 두 모델로 구성되며, 학습 시 두 단계에 걸쳐 특징 수준과 예측 수준의 지식 증류를 통해 고해상도 모델의 정보를 저해상도 모델에 전달한다. 추론 시 고해상도 모델을 제외하고 저해상도 모델만 사용하여 효율적으로 병리영상을 분석한다

암 진단에 활용되는 병리영상의 분석 속도가 약 12배 빨라진다. 고려대학교(총장서리 정순영) 컴퓨터학과 정원기 교수 연구팀이 고해상도 병리영상의 정보를 저해상도 AI에 전달해, 분석 성능을 유지하면서 추론 시간을 단축하는 새로운 분석 기술 ‘LRMIL(Low-Resolution Multiple Instance Learning)’을 개발했다.

디지털 병리 분야에서는 조직 슬라이드를 디지털화한 초고해상도 영상인 ‘전체 슬라이드 이미지(WSI)’를 AI로 분석해 암의 종류와 조직의 특성을 분류한다. 그러나 병리영상은 한 장에 수십억 화소에 이를 만큼 해상도가 높아, 기존 AI는 영상을 수많은 작은 영역으로 나눠 분석해야 하는 한계가 있었다.

*조직 슬라이드: 환자의 몸에서 채취한 조직을 아주 얇게 잘라 유리판에 올려놓은 것으로, 현미경으로 세포와 조직의 상태를 관찰하는 데 사용한다

암세포와 조직의 미세한 특징을 정확하게 분석하려면 고해상도 영상을 처리해야 하지만, 이 과정에서 상당한 시간과 연산 자원이 소요된다. 이는 대규모 병리영상 분석의 효율성을 떨어뜨리고, 실제 의료 현장에서 AI를 활용하는 데 제약으로 작용할 수 있다. 

연구팀은 이를 해결하기 위해 고해상도 영상의 핵심 정보를 학습 단계에서 저해상도 모델에 전달하는 ‘지식 증류(Knowledge Distillation)’ 기술을 적용해 LRMIL을 개발했다.

LRMIL은 고해상도 및 저해상도 영상에서 추출한 특징을 비교해, 저해상도 모델이 고해상도 영상의 세밀한 조직 정보를 학습하도록 설계됐다. 또 고해상도 모델의 예측 결과와 주요 영역에 대한 주목 정보를 전달해 조직의 미세한 특징과 전체 구조까지 학습하도록 했다.

*주목 정보: AI가 영상을 분석할 때 어떤 영역을 중요하게 살펴봤는지를 나타내는 정보

기존 방식과 달리 고해상도 영상을 작은 영역으로 나눠 처리하는 과정을 생략하면서도 분석에 필요한 핵심 정보를 유지해, 저해상도 영상만으로 병리영상을 분류할 수 있다는 게 특징이다.

다양한 암종의 병리영상 약 7,000장을 활용해 LRMIL의 성능을 검증한 결과, 기존 고해상도 분석 방식과 비교해 경쟁력 있는 분류 성능을 유지하면서도 추론 시간을 약 12배 단축한 것으로 나타났다.

연구팀은 이번 기술이 대규모 병리영상 분석에 필요한 시간과 연산 자원을 줄이고, 향후 의료 현장에서 활용할 수 있는 효율적인 AI 기반 병리 진단 보조 시스템 개발에 기여할 것으로 기대했다.

본 연구 성과는 의료영상 분석 분야 세계적 국제학술대회인 ‘MICCAI 2026(Medical Image Computing and Computer Assisted Intervention)’에서 발표되었다. 특히 전체 채택 논문 중 상위 약 2%에 해당하는 구두 발표 논문으로도 선정돼 연구의 우수성을 인정받았다.

*논문명: LRMIL : Efficient Low-Resolution Multiple Instance Learning via High-Resolution Knowledge Distillation for Whole Slide Image Classification

이번 연구는 과학기술정보통신부와 정보통신기획평가원(IITP)의 ‘ICT명품인재양성사업’과 과학기술정보통신부의 재원으로 한국연구재단(NRF)이 지원하는 ‘개인기초연구사업(중견연구)’의 지원을 받아 수행됐다. 

[연구진 사진]

△ (왼쪽부터) 고려대 컴퓨터학과 신용한 석사과정(제1저자), 정원기 교수(교신저자)