임상 정보는 참고용입니다. 적용 전 원문과 최신 문헌을 확인하고 담당 수의사가 판단해야 합니다.
수의학에서 세포학 검사는 비용이 저렴하고 minimally invasive하게 종양을 진단할 수 있는 핵심 수단입니다. 그러나 종양 진단은 전문수의의 주관적 해석에 크게 의존하며 관찰자 간·관찰자 내 변이가 발생할 수 있습니다. 이러한 한계를 극복하기 위해 인간 의학에서는 자궁경부 세포학 선별에 딥러닝을 적용하여 전문가 수준의 민감도와 특이도를 달성한 사례가 있으나, 수의학에서는 검증된 AI 도구가 부족한 실정입니다.
연구팀은 리버풀 대학 세포학 아카이브에서 7가지 종양( carcinoma, histiocytoma, lymphoma, mast cell tumor, melanoma, plasma cell tumor, soft tissue sarcoma)과 배경 클래스를 포함한 91개 증례를 선정했습니다. May-Grünwald Giemsa 염색 slides를 22,577개의 이미지 패치(512×512 픽셀)로 분할하고, ImageNet으로 사전학습된 Inception-v3 CNN을 fine-tuning했습니다. Tile 수준 평균 정확도 86.3%, macro 균형 정확도 92.0%, macro F1-score 85.6%를 달성했습니다. ROI 수준(주의 기반 추론)에서는 28개 증례 중 100% Top1 정확도를, WSI 수준(주의 무관 전체 슬라이드 추론)에서는 92.9% Top1 정확도를 달성했습니다.
한국 동물병원 관점에서 이 연구는 세포학 진단에 AI를 적용할 수 있는 가능성을 보여주는 중요한 증거입니다. 다만 현재 연구는 단일 기관의 전형적인 잘 분화된 증례만을 사용했으므로, 진단적으로 challenging한 증례와 외부 데이터에 대한 추가 검증이 필요합니다. 향후 한국 동물병원에서도 tel cytology 서비스와 결합한 AI 지원 진단 시스템 도입을 검토할 수 있으며, 이를 위한 증례 데이터 구축과 검증이 선행되어야 합니다.
한국 동물병원 블로그에서는 'AI가 수의학 세포학 진단을 바꾸는 날이 올까?'라는 제목으로, 이번 연구 결과를 소개하며 향후 국내 도입 가능성과 Telecytology 연계 전망을 다룬 글을 작성할 수 있습니다.