디지털 홀로그래픽 혈액 분석기 HoloHema: 현장 진단을 위한 혁신적 접근

초록

본 논문은 Radiometer Medical과 남덴마크 대학이 공동으로 진행한 산업 박사 연구로, 디지털 홀로그래픽 현미경(DHM)을 이용해 급성 치료 현장에서 사용 가능한 차등 백혈구 계수(dWBC) 포인트‑오브‑케어(PoC) 장치를 개발하였다. 렌즈 기반 시제품과 렌즈리스 시제품을 차례로 구현하고, 각각 CNN 기반 분류기로 3‑part와 5‑part 백혈구 구분 정확도를 89.6%~92.65%까지 달성했으며, 렌즈리스 시스템으로는 MDW(모노사이트 분포 폭) 바이오마커 추출도 시연하였다. 또한 픽셀 초해상도, 다파장 DHM, 물리‑정보 신경망(PINN) 기반 재구성 등 부가 기술을 탐구하여 향후 PoC 혈액 분석기의 실용화 가능성을 제시한다.

상세 분석

본 연구는 DHM을 의료 현장에 적용하기 위한 두 단계의 프로토타입 개발을 통해 기술적·임상적 과제를 체계적으로 검증한다. 첫 번째 단계는 전통적인 광학 렌즈를 이용한 ‘렌즈 기반’ DHM 시스템으로, 이는 고해상도 복원과 정밀한 세포 경계 검출을 가능하게 하여 CNN 기반 분류 모델의 학습 데이터 확보에 최적화된 환경을 제공한다. 이 시스템은 3‑part 백혈구 구분에서 89.6%의 정확도를 기록했으며, 이는 기존 밝기‑필드 현미경 대비 동일 수준 이상의 성능을 보여준다.

두 번째 단계는 설계 단순화와 FoV 확대를 목표로 한 ‘렌즈리스’ DHM 시스템이다. 여기서는 광원과 이미지 센서 사이에 직접적인 거리에서 회절 패턴을 기록하고, 디지털 전처리(예: 위상 보정, 백그라운드 제거) 후 CNN에 입력한다. 렌즈리스 구조는 광학 부품 수를 크게 감소시켜 제조 비용과 유지보수 부담을 낮추면서도 3‑part와 5‑part 구분에서 각각 92.65%와 89.44%의 높은 정확도를 달성한다. 특히, 모노사이트 분포 폭(MDW)이라는 세포 크기 변동성을 정량화하는 바이오마커를 추출함으로써, 세균성 패혈증 조기 진단에 직접 활용 가능한 임상적 가치를 입증했다.

알고리즘 측면에서 저자들은 전통적인 이미지 전처리와 최신 딥러닝을 결합한 파이프라인을 설계하였다. 초기 단계에서 위상 회복을 위한 전통적 파동광학(예: Angular Spectrum Method)과 Gerchberg‑Saxton 기반 위상 최적화를 적용하고, 이후 픽셀 초해상도(SR) 기법을 통해 샘플링 한계를 극복한다. 다파장 DHM은 서로 다른 파장의 회절 정보를 융합해 세포 내부 구조(핵, 과립 등)의 대비를 강화했으며, 이는 CNN의 특징 추출 효율을 높이는 데 기여한다.

특히 주목할 점은 물리‑정보 신경망(PINN)을 활용한 홀로그래픽 재구성 시도이다. PINN은 파동 방정식(헬름홀츠 방정식)을 손실 함수에 포함시켜, 학습 과정에서 물리적 제약을 자동으로 만족하도록 한다. 초기 실험에서는 전통적 FFT 기반 재구성 대비 노이즈 억제와 경계 선명도가 향상된 결과를 보였으며, 향후 실시간 재구성 및 저전력 임베디드 구현에 대한 가능성을 열어준다.

임상 적용 가능성을 평가하기 위해 저자들은 실제 환자 혈액 샘플을 사용해 전체 워크플로우(시료 전처리 → DHM 촬영 → 자동 셀 추출 → CNN 분류 → MDW 계산)를 검증했다. 전체 처리 시간은 2~3분 수준으로, 기존 혈액 가스 분석기와 동일한 작업 흐름 내에서 통합될 수 있음을 시사한다. 다만, 현재 연구는 제한된 샘플 수와 특정 혈액 병리(예: 급성 염증)만을 대상으로 했으며, 혈소판·핵형 적혈구 등 희귀 세포군에 대한 분류 정확도는 추가 검증이 필요하다.

요약하면, 본 논문은 DHM 기반 PoC 혈액 분석기의 설계·알고리즘·임상 검증을 일관된 흐름으로 제시함으로써, 광학·AI 융합 의료기기의 실용화 로드맵을 구체화한다. 향후 연구는 대규모 임상 시험, 자동 시료 로딩 메커니즘, 저전력 ASIC 구현 등을 통해 상용화 단계로 나아가야 할 과제로 남는다.