폐결절 중심 인공지능 합성 CT와 데이터 증강 프레임워크

초록

NodMAISI는 다중 출처의 대규모 폐결절 CT 데이터를 표준화하고, ControlNet‑조건부 Rectified‑Flow 모델을 활용해 해부학적 일관성과 결절 형태를 동시에 보존하는 합성 CT를 생성한다. 결절 마스크를 축소·확장하는 병변‑인식 증강을 적용해 다양한 크기의 가상 결절을 만들고, 이를 이용해 검출·악성도 분류 모델을 데이터 부족 상황에서도 크게 향상시킨다.

상세 분석

본 논문은 폐암 스크리닝에 필수적인 소형 결절의 부족 문제를 해결하기 위해 데이터 파이프라인, 생성 모델, 증강 전략, 그리고 하위 과제 평가라는 네 가지 핵심 요소를 통합한 NodMAISI 프레임워크를 제안한다. 첫 번째 단계에서는 LNDbv4, NSCLCR, LIDC‑IDRI, DLCS24, IMD‑CT, LUNA25 등 여섯 개 공개 데이터셋을 하나의 표준 코호트로 통합해 7,042명, 8,841 CT, 14,444 결절을 확보하였다. 각 스캔에 대해 VISTA‑3D 사전학습 모델로 127개의 장기 마스크를 자동 생성하고, 포인트‑드리븐 k‑means 알고리즘으로 결절 마스크를 보정함으로써 서로 다른 라벨링 규칙을 일관된 형태로 정제하였다.

두 번째 단계에서는 MAISI‑v2의 변분 오토인코더(VAE)와 Rectified‑Flow 백본을 그대로 고정하고, ControlNet을 추가 학습시켜 ‘신체 마스크·결절 마스크·볼륨 간격’이라는 삼중 조건을 모델에 주입한다. 이때 결절 라벨에 100배 가중치를 부여해 작은 결절의 재구성 손실을 크게 강조했으며, 지역‑특화 손실을 도입해 결절 주변 영역의 흐름을 정밀하게 제어하였다. 결과적으로 기존 MAISI‑v2가 소형·저대조도 결절을 놓치던 문제를 크게 완화하고, 실제 스캔과 거의 구분이 어려운 ‘디지털 트윈’ CT를 생성한다.

세 번째 단계인 병변‑인식 증강에서는 기존 결절 마스크를 체적 비율에 따라 단계적으로 수축(또는 팽창)시킨 뒤, 동일한 해부학적 마스크와 함께 ControlNet에 입력한다. 이렇게 하면 배경 해부학은 그대로 유지하면서 결절 크기와 형태만 변형된 CT 쌍을 손쉽게 만들 수 있다. 이는 결절 성장·퇴행 시나리오를 시뮬레이션하는 데 유용하며, 데이터 희소 상황에서 모델이 다양한 결절 크기에 대한 일반화 능력을 학습하도록 돕는다.

평가에서는 여섯 개 공개 테스트셋에 대해 실제‑실제 FID와 실제‑합성 FID를 비교했으며, NodMAISI는 1.182.99(실‑합성)로 MAISI‑v2(1.695.21)보다 전반적으로 낮은 FID를 기록했다. 또한 MONAI 기반 결절 검출기를 이용한 병변 검출성 평가에서 IMD‑CT와 DLCS24에서 각각 0.69 vs 0.39, 0.63 vs 0.20이라는 민감도 향상을 보였으며, 특히 <10 mm 소형 결절에서 MAISI‑v2가 거의 검출하지 못하던 부분을 크게 보완했다. 마지막으로 LUNA25에서 학습한 악성도 분류 모델을 LUNA16, LNDbv4, DLCS24 외부 테스트에 적용했을 때, 임상 데이터 10 %20 %만 사용했음에도 불구하고 AUC가 0.070.21 상승하는 효과를 확인했다. 이는 합성 데이터가 실제 데이터와의 분포 격차를 효과적으로 메우며, 데이터 부족 상황에서도 강인한 임상 모델을 구축할 수 있음을 의미한다.

전반적으로 NodMAISI는 (1) 대규모 다중소스 코호트의 표준화, (2) 해부학·병변을 동시에 제어하는 ControlNet‑조건부 흐름 모델, (3) 결절 크기 변형을 통한 병변‑인식 증강, (4) 실제 임상 과제에 대한 정량적·정성적 평가라는 네 축을 통해 기존 합성 CT 기술의 한계를 뛰어넘었다. 특히 소형 결절의 재현성 향상과 데이터 증강을 통한 악성도 분류 성능 개선은 폐암 스크리닝 파이프라인 전반에 실질적인 가치를 제공한다.