“현미경 대신 스캐너, 수작업 대신 인공지능”
디지털 병리는 병리학의 패러다임을 바꾸고 있다. 병리 슬라이드를 현미경으로 보는 대신 고해상도 이미지로 스캔해 분석하는 방식은 의사에게 새로운 가능성을 열어주었고, 여기에 최신 인공지능(AI)이 결합되면서 진단 과정은 자동화와 지능화를 향해 가속화되고 있다. 이미 미국과 유럽의 대형 병원에서는 디지털 병리를 활용한 판독과 AI 기반 보조 진단이 실제로 이루어지고 있으며, 한국에서도 대형 대학병원들이 디지털 병리 시스템을 도입해 임상 적용을 준비 중이다. 이제 AI는 병리 데이터를 이해하고, 병리 전문의의 보고서를 작성하며, 유전체 정보까지 통합하는 수준으로 발전하고 있다. 이 변화는 단순한 업무 효율을 넘어, 환자 맞춤형 치료와 진단 패러다임을 재정의할 수 있는 전환점이 되고 있다.
디지털 병리의 개념과 의의
디지털 병리는 기존 현미경 관찰 방식을 대체해 병리 슬라이드를 고해상도 스캐너로 촬영, 이를 고차원 이미지 데이터(Whole Slide Image, WSI)로 변환하는 기술이다. 대표적으로 필립스(Philips), 로슈(Roche), 3DHISTECH 같은 글로벌 기업들이 이미 디지털 병리 스캐너를 상용화했고, FDA에서도 일부 WSI 기반 시스템을 임상 진단용으로 승인했다.
필립스의 디지털 병리 솔루션 (사진 출처: 필립스)
WSI는 수 기가픽셀에 달하는 방대한 크기와 복잡성을 가지며, 사람이 모든 영역을 일일이 확인하기에는 한계가 있다. 따라서 고차원 데이터를 효율적으로 탐색·분석하는 AI의 필요성이 더욱 커지고 있다. 특히 병리 진단은 “저배율”과 “고배율”을 오가며 이뤄진다. 저배율(2~10x)에서는 전체 슬라이드에서 종양의 위치, 크기, 분포를 파악하고 전체적인 맥락을 보고, 고배율(20~40x)에서는 세포의 형태, 핵의 비정형성, 세포 분열 여부 등 세밀한 변화를 확인한다. 예를 들어 유방암 병리 판독에서는 저배율로 종양의 침윤 범위를 파악한 뒤, 고배율로 HER2 발현 여부와 같은 세포 단위 특징을 확인해야 한다. AI는 이러한 여러 배율의 정보를 통합해 진단 알고리즘을 구축한다. 최근 다중 배율(multiscale) 학습 기법을 적용한 CAMELYON16 챌린지 등에서 AI가 병리 전문의와 유사한 수준의 암 검출 성능을 보인 것도 같은 맥락이다.
AI 기반 진단 자동화
병리 이미지를 분석하는 AI 모델은 종양의 종류를 분류하거나 예후를 예측하는 수준을 넘어, 병리 리포트까지 자동 작성할 수 있는 단계로 발전했다. 예를 들어, Vision-Language Model(VLM)은 병리 슬라이드와 텍스트 보고서를 함께 학습하여, 특정 영역에서 발견된 병리학적 특징을 자연어로 설명할 수 있다. 최근 공개된 LLaVA-Med 같은 모델은 병리 이미지를 보고 “이 영역은 고등급의 종양 가능성이 크다”와 같은 문장을 생성할 수 있으며, VQA(Visual Question Answering) 기법을 적용하면 병리 이미지를 기반으로 “이 환자의 병변은 악성일 가능성이 얼마나 되는가?” 같은 질문에 답변할 수도 있다. 이는 단순한 분류를 넘어 실제 임상 리포트의 자동화를 향한 중요한 진전이다.
멀티모달 AI: 병리 영상과 유전체·전사체의 융합
최근 연구는 병리 이미지와 함께 유전체(Genomics), 전사체(Transcriptomics) 정보를 통합하는 멀티모달 AI로 확장되고 있다. 이는 영상에서 보이는 조직학적 특징과 유전자의 발현 패턴을 연결하여, 환자 맞춤형 치료 전략을 제시할 수 있게 한다. 예컨대 폐암 환자의 WSI와 전사체 데이터를 결합해 학습시킨 모델은 특정 병리 패턴이 EGFR 돌연변이와 연관이 있음을 예측해 항암제 반응성을 가늠할 수 있다. 또, 최근 MIT와 하버드 연구팀은 병리 이미지와 전사체 데이터를 함께 학습한 멀티모달 AI로 새로운 바이오마커를 발견했다고 보고했다. 이는 향후 “병리 슬라이드 한 장만 업로드하면 유전자 발현 프로파일까지 간접적으로 예측”할 수 있는 가능성을 보여준다.
생성 AI와 진단서 자동화
생성 AI는 병리학자의 관찰 과정을 기록하고 요약하여, 진단 보고서(diagnostic report)를 자동 생성하는 단계까지 발전하고 있다. 이 기술은 전문의의 반복적인 문서 작성 부담을 줄여주고, 환자와의 소통을 위한 설명 자료로도 활용될 수 있다. 또한, ChatGPT와 같은 대규모 언어모델(LLM)은 복잡한 병리 소견을 환자가 이해하기 쉬운 언어로 풀어내 환자 중심 진료를 가능하게 한다. 예를 들어 “침윤성 유방암, ER 양성”이라는 판독 결과를 환자 친화적으로 “유방에 생긴 암이 주변 조직으로 조금 퍼져 있으나, 호르몬 치료에 반응할 가능성이 높다”라고 설명할 수 있다. 이는 환자의 치료 이해도를 높이고 순응도를 향상시키는 데 큰 도움이 된다.
“디지털 병리와 생성 AI가 이끄는 차세대 진단”
디지털 병리와 생성 AI의 결합은 단순한 도구적 진화를 넘어, 병리학의 본질과 진단 패러다임 자체를 바꾸고 있다. 이제 우리는 병리 슬라이드를 다중 배율로 정밀 분석하고, 유전체와 전사체 같은 분자 수준 데이터를 통합하며, 임상 보고서를 자동으로 생성하는 새로운 진단 혁신의 문턱에 서 있다. 물론 실제 임상 적용을 위해서는 데이터 표준화, AI의 설명 가능성, 환자 안전성 검증 등 여러 과제가 남아 있다. 그러나 이러한 기술이 안정적으로 정착된다면, 병리 전문의는 반복적인 작업에서 벗어나 보다 고차원적 해석과 환자 맞춤형 치료 전략 수립에 집중할 수 있게 될 것이다. 생성 AI는 더 이상 실험적 가능성에 머무르지 않고, 디지털 병리와 함께 다중 데이터 기반 진단 혁신을 견인하는 핵심 동반자로 자리매김하고 있다.
*참고 문헌 및 출처
Litjens, G. et al. (2018). “1399 H&E-stained sentinel lymph node sections of breast cancer patients: the CAMELYON dataset.” Scientific Data, 5:180251. https://doi.org/10.1038/sdata.2018.251
Pantanowitz, L. et al. (2019). “Review of the current state of whole slide imaging in pathology.” Journal of Pathology Informatics, 10:36. https://doi.org/10.4103/jpi.jpi_39_19
U.S. Food and Drug Administration (FDA). (2017). “FDA allows marketing of first whole slide imaging system for digital pathology.” https://www.fda.gov/news-events/press-announcements/fda-allows-marketing-first-whole-slide-imaging-system-digital-pathology
Campanella, G. et al. (2019). “Clinical-grade computational pathology using weakly supervised deep learning on whole slide images.” Nature Medicine, 25:1301–1309. https://doi.org/10.1038/s41591-019-0508-1
Coudray, N. et al. (2018). “Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning.” Nature Medicine, 24:1559–1567. https://doi.org/10.1038/s41591-018-0177-5
Lu, M.Y. et al. (2021). “AI-based pathology: integrative analysis of histology and genomics for clinical prediction.” Nature Medicine, 27:1648–1659. https://doi.org/10.1038/s41591-021-01525-0
Abbet, C. et al. (2023). “Multimodal learning for integrating histology and transcriptomics.” Bioinformatics, 39(6). https://doi.org/10.1093/bioinformatics/btad360
Zhang, J. et al. (2023). “LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine.” arXiv preprint arXiv:2306.07018. https://arxiv.org/abs/2306.07018
Google Health AI Blog. (2020). “Prostate cancer diagnosis with deep learning.” https://health.google/health-research/prostate-cancer-ai
MIT CSAIL News. (2023). “Integrating pathology and transcriptomics with AI to discover biomarkers.” https://www.csail.mit.edu/news
OpenAI. (2023). “ChatGPT for patient-facing tasks: Translating medical jargon.” NPJ Digital Medicine, 6:94. https://doi.org/10.1038/s41746-023-00788-1
“현미경 대신 스캐너, 수작업 대신 인공지능”
디지털 병리는 병리학의 패러다임을 바꾸고 있다. 병리 슬라이드를 현미경으로 보는 대신 고해상도 이미지로 스캔해 분석하는 방식은 의사에게 새로운 가능성을 열어주었고, 여기에 최신 인공지능(AI)이 결합되면서 진단 과정은 자동화와 지능화를 향해 가속화되고 있다. 이미 미국과 유럽의 대형 병원에서는 디지털 병리를 활용한 판독과 AI 기반 보조 진단이 실제로 이루어지고 있으며, 한국에서도 대형 대학병원들이 디지털 병리 시스템을 도입해 임상 적용을 준비 중이다. 이제 AI는 병리 데이터를 이해하고, 병리 전문의의 보고서를 작성하며, 유전체 정보까지 통합하는 수준으로 발전하고 있다. 이 변화는 단순한 업무 효율을 넘어, 환자 맞춤형 치료와 진단 패러다임을 재정의할 수 있는 전환점이 되고 있다.
디지털 병리의 개념과 의의
디지털 병리는 기존 현미경 관찰 방식을 대체해 병리 슬라이드를 고해상도 스캐너로 촬영, 이를 고차원 이미지 데이터(Whole Slide Image, WSI)로 변환하는 기술이다. 대표적으로 필립스(Philips), 로슈(Roche), 3DHISTECH 같은 글로벌 기업들이 이미 디지털 병리 스캐너를 상용화했고, FDA에서도 일부 WSI 기반 시스템을 임상 진단용으로 승인했다.
필립스의 디지털 병리 솔루션 (사진 출처: 필립스)
WSI는 수 기가픽셀에 달하는 방대한 크기와 복잡성을 가지며, 사람이 모든 영역을 일일이 확인하기에는 한계가 있다. 따라서 고차원 데이터를 효율적으로 탐색·분석하는 AI의 필요성이 더욱 커지고 있다. 특히 병리 진단은 “저배율”과 “고배율”을 오가며 이뤄진다. 저배율(2~10x)에서는 전체 슬라이드에서 종양의 위치, 크기, 분포를 파악하고 전체적인 맥락을 보고, 고배율(20~40x)에서는 세포의 형태, 핵의 비정형성, 세포 분열 여부 등 세밀한 변화를 확인한다. 예를 들어 유방암 병리 판독에서는 저배율로 종양의 침윤 범위를 파악한 뒤, 고배율로 HER2 발현 여부와 같은 세포 단위 특징을 확인해야 한다. AI는 이러한 여러 배율의 정보를 통합해 진단 알고리즘을 구축한다. 최근 다중 배율(multiscale) 학습 기법을 적용한 CAMELYON16 챌린지 등에서 AI가 병리 전문의와 유사한 수준의 암 검출 성능을 보인 것도 같은 맥락이다.
AI 기반 진단 자동화
병리 이미지를 분석하는 AI 모델은 종양의 종류를 분류하거나 예후를 예측하는 수준을 넘어, 병리 리포트까지 자동 작성할 수 있는 단계로 발전했다. 예를 들어, Vision-Language Model(VLM)은 병리 슬라이드와 텍스트 보고서를 함께 학습하여, 특정 영역에서 발견된 병리학적 특징을 자연어로 설명할 수 있다. 최근 공개된 LLaVA-Med 같은 모델은 병리 이미지를 보고 “이 영역은 고등급의 종양 가능성이 크다”와 같은 문장을 생성할 수 있으며, VQA(Visual Question Answering) 기법을 적용하면 병리 이미지를 기반으로 “이 환자의 병변은 악성일 가능성이 얼마나 되는가?” 같은 질문에 답변할 수도 있다. 이는 단순한 분류를 넘어 실제 임상 리포트의 자동화를 향한 중요한 진전이다.
멀티모달 AI: 병리 영상과 유전체·전사체의 융합
최근 연구는 병리 이미지와 함께 유전체(Genomics), 전사체(Transcriptomics) 정보를 통합하는 멀티모달 AI로 확장되고 있다. 이는 영상에서 보이는 조직학적 특징과 유전자의 발현 패턴을 연결하여, 환자 맞춤형 치료 전략을 제시할 수 있게 한다. 예컨대 폐암 환자의 WSI와 전사체 데이터를 결합해 학습시킨 모델은 특정 병리 패턴이 EGFR 돌연변이와 연관이 있음을 예측해 항암제 반응성을 가늠할 수 있다. 또, 최근 MIT와 하버드 연구팀은 병리 이미지와 전사체 데이터를 함께 학습한 멀티모달 AI로 새로운 바이오마커를 발견했다고 보고했다. 이는 향후 “병리 슬라이드 한 장만 업로드하면 유전자 발현 프로파일까지 간접적으로 예측”할 수 있는 가능성을 보여준다.
생성 AI와 진단서 자동화
생성 AI는 병리학자의 관찰 과정을 기록하고 요약하여, 진단 보고서(diagnostic report)를 자동 생성하는 단계까지 발전하고 있다. 이 기술은 전문의의 반복적인 문서 작성 부담을 줄여주고, 환자와의 소통을 위한 설명 자료로도 활용될 수 있다. 또한, ChatGPT와 같은 대규모 언어모델(LLM)은 복잡한 병리 소견을 환자가 이해하기 쉬운 언어로 풀어내 환자 중심 진료를 가능하게 한다. 예를 들어 “침윤성 유방암, ER 양성”이라는 판독 결과를 환자 친화적으로 “유방에 생긴 암이 주변 조직으로 조금 퍼져 있으나, 호르몬 치료에 반응할 가능성이 높다”라고 설명할 수 있다. 이는 환자의 치료 이해도를 높이고 순응도를 향상시키는 데 큰 도움이 된다.
“디지털 병리와 생성 AI가 이끄는 차세대 진단”
디지털 병리와 생성 AI의 결합은 단순한 도구적 진화를 넘어, 병리학의 본질과 진단 패러다임 자체를 바꾸고 있다. 이제 우리는 병리 슬라이드를 다중 배율로 정밀 분석하고, 유전체와 전사체 같은 분자 수준 데이터를 통합하며, 임상 보고서를 자동으로 생성하는 새로운 진단 혁신의 문턱에 서 있다. 물론 실제 임상 적용을 위해서는 데이터 표준화, AI의 설명 가능성, 환자 안전성 검증 등 여러 과제가 남아 있다. 그러나 이러한 기술이 안정적으로 정착된다면, 병리 전문의는 반복적인 작업에서 벗어나 보다 고차원적 해석과 환자 맞춤형 치료 전략 수립에 집중할 수 있게 될 것이다. 생성 AI는 더 이상 실험적 가능성에 머무르지 않고, 디지털 병리와 함께 다중 데이터 기반 진단 혁신을 견인하는 핵심 동반자로 자리매김하고 있다.
*참고 문헌 및 출처
Litjens, G. et al. (2018). “1399 H&E-stained sentinel lymph node sections of breast cancer patients: the CAMELYON dataset.” Scientific Data, 5:180251. https://doi.org/10.1038/sdata.2018.251
Pantanowitz, L. et al. (2019). “Review of the current state of whole slide imaging in pathology.” Journal of Pathology Informatics, 10:36. https://doi.org/10.4103/jpi.jpi_39_19
U.S. Food and Drug Administration (FDA). (2017). “FDA allows marketing of first whole slide imaging system for digital pathology.” https://www.fda.gov/news-events/press-announcements/fda-allows-marketing-first-whole-slide-imaging-system-digital-pathology
Campanella, G. et al. (2019). “Clinical-grade computational pathology using weakly supervised deep learning on whole slide images.” Nature Medicine, 25:1301–1309. https://doi.org/10.1038/s41591-019-0508-1
Coudray, N. et al. (2018). “Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning.” Nature Medicine, 24:1559–1567. https://doi.org/10.1038/s41591-018-0177-5
Lu, M.Y. et al. (2021). “AI-based pathology: integrative analysis of histology and genomics for clinical prediction.” Nature Medicine, 27:1648–1659. https://doi.org/10.1038/s41591-021-01525-0
Abbet, C. et al. (2023). “Multimodal learning for integrating histology and transcriptomics.” Bioinformatics, 39(6). https://doi.org/10.1093/bioinformatics/btad360
Zhang, J. et al. (2023). “LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine.” arXiv preprint arXiv:2306.07018. https://arxiv.org/abs/2306.07018
Google Health AI Blog. (2020). “Prostate cancer diagnosis with deep learning.” https://health.google/health-research/prostate-cancer-ai
MIT CSAIL News. (2023). “Integrating pathology and transcriptomics with AI to discover biomarkers.” https://www.csail.mit.edu/news
OpenAI. (2023). “ChatGPT for patient-facing tasks: Translating medical jargon.” NPJ Digital Medicine, 6:94. https://doi.org/10.1038/s41746-023-00788-1