반복 주석으로 신경망 학습 효율화 병리와 영상 분야를 잇는 HAI L 파이프라인

초록

본 논문은 Aperio ImageScope와 DeepLab v2 기반의 HAI L(Human AI Loop) 시스템을 제안한다. 전문가가 ImageScope에서 XML 형태로 주석을 달고, 이를 자동으로 마스크로 변환해 네트워크를 학습·예측에 활용한다. 인간‑인‑루프 방식으로 반복 주석을 수행하면 주석 속도가 70~80% 감소하고, 5회 반복 후 신장 사구체와 전립선 MRI 등에서 거의 완벽에 가까운 분할 성능을 달성한다. 다중 해상도(DeepZoom) 전략을 도입해 대용량 슬라이드의 처리 속도도 크게 향상시켰다.

상세 분석

HAI L 파이프라인은 기존 디지털 병리 워크플로우에 최소한의 변경만으로 딥러닝 기반 의미론적 분할을 접목한다는 점에서 혁신적이다. 핵심은 ImageScope의 XML 주석을 OpenCV와 OpenSlide을 이용해 픽셀 마스크로 변환하고, 반대로 네트워크 예측 마스크를 XML로 재생성해 전문가가 바로 시각적으로 검증·수정할 수 있게 한 것이다. 이 과정은 파이썬 스크립트 하나로 자동화돼 데이터 관리가 단순화된다.

학습 전략은 ‘human‑in‑the‑loop’와 ‘active learning’ 개념을 결합한다. 초기에는 소수의 수동 주석으로 모델을 학습시키고, 이후 모델이 생성한 예측을 전문가가 교정한다. 교정된 영역은 새로운 학습 데이터로 즉시 추가되며, 이 과정을 반복함으로써 주석 효율이 기하급수적으로 향상된다. 실험 결과, 410배의 주석 속도 향상이 관찰됐으며, 이는 전체 주석 시간의 7082% 절감에 해당한다.

특히, 대용량 Whole Slide Image(WSI)의 희소한 목표(예: 사구체) 탐지를 위해 두 단계의 다중 해상도 네트워크(DeepZoom)를 도입했다. 저해상도 네트워크가 1/16 스케일에서 후보 영역을 빠르게 탐색하고, 고해상도 네트워크가 해당 영역을 정밀 분할한다. 이 구조는 전체 해상도 단일 패스로 처리할 때보다 F1 점수가 4.5배 빠른 추론 속도와 동시에 높은 정밀도를 유지한다는 장점을 제공한다.

다중 클래스 확장성도 검증되었다. 사구체 내 핵 유형, 섬유화·위축 영역, 경화·비경화 사구체 등을 별도 레이블링하여 재학습했으며, 인간 주석 오류에도 불구하고 모델이 더 정확한 경계를 제시하는 경우가 있었다. 이는 모델이 통계적 패턴을 학습해 인간의 일관성 부족을 보완할 수 있음을 시사한다.

또한, 파이프라인을 MRI T2 영상에 적용해 전립선 선 조직을 분할하였다. 39명의 환자 데이터를 4명씩 추가하며 5회 반복 학습했을 때, 민감도 0.88, 특이도 0.99 수준의 성능을 달성했다. 여기서도 주석 시간은 두 번째 반복 이후 90% 이상 감소했다.

전반적으로 HAI L은 (1) 기존 병리·영상 뷰어와의 원활한 연동, (2) 인간‑인‑루프를 통한 주석 효율 극대화, (3) 다중 해상도 전략을 통한 대용량 이미지 처리 속도 향상, (4) 다양한 조직·모달리티에 대한 확장성을 제공한다. 향후 DICOM 뷰어와의 직접 연동, 자동 주석량 예측 모델, 신뢰도 기반 이상 탐지 등으로 임상 현장 적용 가능성을 넓힐 수 있다.