최근 구글 리서치가 "머신러닝으로 유방암 스크리닝(특히 NHS의 더블 리딩)을 더 효율적으로 만들 수 있다"는 방향의 연구 결과를 공개하면서, AI가 진짜 '현장 업무'까지 바꾸는 단계로 들어왔다는 신호를 줬습니다1. 이 글에서는 뉴스 요약을 넘어서, 유방암 스크리닝 워크플로우에 머신러닝을 어떻게 끼워 넣으면 정확도·속도·인력 부담을 동시에 개선할 수 있는지 핵심 아이디어를 정리해볼게요.
AI 유방암 스크리닝이 바꾸려는 '병목'은 무엇일까
유방암 검진은 보통 "촬영(맘모그래피/초음파) → 판독 → 추가검사(리콜) → 확진(조직검사/병리)"로 이어집니다. 여기서 병목은 판독 단계에 자주 생깁니다. 더블 리딩(두 명이 각각 판독) 같은 안전장치는 정확도를 높이지만, 인력 부족 상황에서는 대기열과 피로도를 키웁니다.
실제로 대규모 연구에선 AI를 워크플로우에 섞었을 때 판독 업무량을 유의미하게 줄이면서도 성능을 유지(혹은 개선)할 가능성이 보고됩니다. 예를 들어 영국 NHS 데이터 기반 평가에서 AI는 민감도에서 첫 판독자보다 높고, 특이도는 비열등으로 나타났으며, 암 발견률(CDR)이 1,000명당 7.54에서 9.33으로 증가했다는 분석도 있습니다2. 요점은 "AI가 영상 한 장을 더 잘 맞히냐"보다 "업무 흐름에서 사람의 시간을 어디서 아끼고 어디에 더 쓰게 하느냐"입니다.
맘모그래피 판독 워크플로우: '두 번째 판독자'와 '트리아지' 전략
AI를 넣는 방식은 크게 두 갈래로 생각하면 쉽습니다. 첫째는 AI를 '두 번째 판독자'처럼 쓰는 방식입니다. 사람 1명이 먼저 보고, AI가 동의하면 다음 단계로 넘기고, AI가 이견을 내면 기존처럼 중재(arbitration)로 보내는 형태죠. 이 접근은 더블 리딩의 안전 철학을 유지하면서, 사람이 두 번 볼 필요가 없는 케이스를 줄여줍니다. 실제로 AI를 두 번째 리더로 가정했을 때 판독 시간/업무량 절감이 추정됐다는 결과들이 나옵니다13.
둘째는 트리아지(분류)입니다. AI가 "매우 저위험"과 "주의 필요"를 먼저 나눠서, 저위험은 단순 경로로 빠르게 처리하고 고위험은 숙련 판독자와 중재 리소스를 집중시키는 방식입니다. 다만 트리아지는 '어디까지를 저위험으로 볼 것인가'가 핵심이라, 병원·장비·환자군에 따라 기준을 계속 조정해야 합니다. 실제 현장 배치에서 분포 변화(distribution shift) 때문에 임계값 재보정이 필요했다는 보고는 "AI는 설치가 아니라 운영"이라는 현실을 잘 보여줍니다2.
초음파·라디오믹스: "보이는 것"을 "숫자"로 바꾸면 자동화가 쉬워진다
맘모그래피가 스크리닝의 주력이라면, 초음파는 보완 혹은 특정 환경에서 더 자주 쓰입니다. 초음파 판독의 어려움 중 하나는 병변 경계를 사람 손으로 잡는 과정(ROI 설정, 분할)이 번거롭고 일관성이 떨어질 수 있다는 점인데, 여기서 딥러닝 분할(예: UNet)이 워크플로우 자동화를 확 끌어당깁니다.
흥미로운 하이브리드 흐름은 이렇습니다. "UNet으로 종양 영역을 자동 분할 → 그 마스크에서 라디오믹스(형태, 질감 등 정량 특징)를 뽑기 → 전통 ML(SVM 등)로 양성/악성 분류"처럼 단계별로 역할을 나눕니다. 한 연구에서는 이런 파이프라인이 초음파 데이터에서 높은 분할 성능(IoU)과 높은 분류 정확도를 보고하며, '완전 딥러닝'만 고집하지 않아도 실무적으로 강력할 수 있음을 보여줍니다4. 병원 입장에서는 "AI가 왜 그렇게 판단했는지"를 설명해야 하는 순간이 오는데, 라디오믹스 기반 특징은 비교적 설명 가능한 재료가 되기도 합니다.
병리(WSI)까지 이어지는 엔드투엔드: "진짜 자동화"는 연결에서 나온다
검진에서 리콜이 나면, 결국 조직검사와 병리 판독이 기다립니다. 그런데 병리도 전 세계적으로 인력이 부족하고, 슬라이드 한 장이 크고(WSI는 GB 단위) 판독 부담이 큽니다. 그래서 디지털 병리 플랫폼에 AI를 붙여, 표준화된 등급(예: Nottingham grading)에 필요한 지표를 더 빠르고 일관되게 보조하려는 시도가 나옵니다5.
이 지점이 중요한 이유는 하나입니다. 스크리닝 AI만 좋아져도, 뒤쪽 확진 워크플로우가 막히면 환자 경험은 좋아지지 않습니다. 결국 "영상 AI로 리콜을 줄이고, 필요한 리콜은 더 빨리 확진으로 연결하며, 병리 AI로 보고 시간을 줄이는" 식의 연결 최적화가 진짜 게임 체인저가 됩니다.
시사점
AI 유방암 스크리닝 워크플로우의 핵심은 '판독자를 대체'가 아니라 '판독자의 시간을 재배치'하는 데 있습니다. 도입을 고민한다면, 먼저 목표를 정하는 게 좋습니다. 업무량 절감(두 번째 판독자/트리아지)인지, 놓치기 쉬운 케이스 보강(AI-추가 판독)인지에 따라 설계가 달라집니다.
다음으로는 현장 운영 체크리스트가 필요합니다. 임계값 재보정, 장비·인구집단 변화에 대한 모니터링, 중재 회의에서의 인간-AI 상호작용(누가 누구를 얼마나 신뢰하는가) 같은 요소가 성능만큼 중요합니다23. 마지막으로, 맘모그래피만 보지 말고 초음파(분할+라디오믹스)와 병리(디지털 WSI)까지 이어지는 "연결된 워크플로우" 관점으로 ROI를 계산하면, AI 투자가 '한 부서의 파일럿'이 아니라 '전체 진단 여정의 개선'이 될 가능성이 커집니다.
참고
1Improving breast cancer screening workflows with machine learning
4Radiomics-integrated machine learning framework for quantitative breast cancer diagnosis
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.