다들 병원에서 건강검진이나 조직검사 받고 나면 결과 나올 때까지 두근두근 기다려본 적 있으시죠?
떼어낸 조직을 현미경으로 요리조리 살펴보고 암인지 아닌지 최종 판정을 내려주는 곳을 바로 '병리과'라고 하는데요. 이 병리과 슬라이드 한 장이 크기가 정말 어마어마해서 수억 픽셀이나 된다고 합니다.
이걸 컴퓨터로 읽어내는 AI 연구가 요즘 한창인데, 이번에 아주 흥미로운 논문이 하나 나와서 가져와봤습니다.
제목은 **End-to-end multimodal pathology foundation model with clinical dialogue** 입니다.
기존 AI들은 "이 사진 암이야 아니야?" 정도로 단순하게 맞히는 수준이었다면, 이번에 개발된 'PRISM2'라는 녀석은 의사 선생님들이 작성한 수십만 건의 병리 보고서를 같이 공부해서 직접 대화까지 나누는 단계로 진화했다고 하네요.
"이 조직에 암이 있나요?", "림프절 전이는 보이나요?"처럼 실제 의사가 묻는 질문에 답을 하면서 진단을 내린다고 하니 "너 생각보다 똑똑하구나?" 소리가 절로 나옵니다. :)
DOI: 10.1038/s41591-026-04521-4
gemini
**의학 병리 인공지능 'PRISM2' 연구 요약 및 시사점**
---
### **1. 연구 배경**
암 진단과 치료 방향을 결정할 때 의사들은 환자의 조직 슬라이드를 미시적으로 분석하는 병리 검사에 크게 의존합니다. 최근 인공지능(AI) 기술의 발전으로 컴퓨터 병리학 분야에서도 대규모 파운데이션 모델이 도입되고 있지만, 대다수 기존 모델은 전체 슬라이드의 일부(이미지 조각)만 이해하거나 특정 단일 작업에만 치우쳐 있었습니다. 이로 인해 수십억 피셀 크기의 전체 조직 슬라이드를 통합적으로 이해하고 실제 병리 전문의처럼 진단 논리를 펼치는 종합 AI 모델을 만드는 데에는 한계가 있었습니다.
---
### **2. 연구 목적**
본 연구는 대규모 병리 보고서 데이터와 의료 대화(Dialogue) 학습 방식을 결합하여, 인공지능이 전체 조직 슬라이드를 다각도로 분석하고 전문의 수준의 질문에 대답할 수 있는 초거대 병리 파운데이션 모델인 'PRISM2'를 개발하는 것을 목적으로 합니다. 나아가 진단 정확도 향상, 바이오마커 예측, 생존율 분석 등 복합적인 업무를 단일 모델로 수행할 수 있음을 증명하고자 했습니다.
---
### **3. 연구 방법**
연구진은 약 20만 명의 환자로부터 수집한 230만 장의 전체 조직 이미지(WSI)와 70만 건의 병리 보고서를 기반으로, 총 1,400만 개의 질의응답(Q&A) 쌍을 구축하여 PRISM2 모델을 학습시켰습니다.
PRISM2는 두 가지 핵심 임베딩(정보 표현)을 생성하도록 설계되었습니다.
* **진단용 임베딩 (Diagnostic Embedding):** 대형 언어 모델(LLM) 기반으로 작동하여 암 유무 판별 및 세부 유형 구별과 같은 직접적인 진단 질의응답을 수행합니다.
* **기반 임베딩 (Base Embedding):** 바이오마커 예측이나 생존율 분석처럼 병리 보고서에 직접 언급되지 않은 복잡한 추론 업무에 범용적으로 활용됩니다.
---
### **4. 연구 결과**
* **의료기기급 암 진단 성과:** 추가 학습(Fine-tuning) 없이 대화형 질문(예: "이 조직에서 암이 발견되었는가?")에 답하는 것만으로 전립선암, 유방암, 림프절 전이 진단 분야에서 미국 FDA 승인을 받았거나 상용화된 전용 인공지능 제품들과 대등하거나 더 우수한 성능을 보였습니다.
* **바이오마커 및 생존율 예측:** 암 유전자 변이를 파악하는 바이오마커 예측 및 환자의 재발·생존율을 예측하는 실험에서도 기존의 대형 파운데이션 모델들을 상회하거나 대등한 최상위 성능을 달성했습니다.
* **병리 보고서 자동 작성 지원:** 유방암 조직 검사 표준 지침(CAP)에 맞춘 복잡한 진단 보고서의 항목들을 AI가 대화 형태로 정확하게 채워 넣을 수 있음을 검증했습니다.
---
### **5. 고찰**
PRISM2 연구는 인공지능에 시각 정보(조직 이미지)와 언어 정보(병리 보고서 및 대화)를 동시 학습시키는 방식이 병리 이미지 판독 능력을 획기적으로 올릴 수 있음을 보여줍니다. 단순히 이미지 패턴만을 보고 암을 판별하는 것을 넘어, 언어 모델을 접목함으로써 실제 의사들이 진단 과정에서 거치는 비판적 사고 방식을 인공지능이 모사할 수 있게 되었습니다. 다만, 아주 희귀한 조직 유형 분류나 미세한 수치 측정 등은 향후 추가적인 보완이 필요하다는 지점도 확인되었습니다.
---
### **6. 의의와 시사점**
이 연구는 **전 세계 최초로 별도의 암종별 특화 학습 없이 단일 모델만으로 임상 현장에서 즉시 활용 가능한 수준의 정밀 진단을 구현**했다는 점에서 큰 의의를 가집니다.
의료 자원이 부족한 지역의 일반 병리의에게 제2의 전문의 의견(Second Opinion)을 제공하거나, 병리 보고서 자동 작성을 통해 의사들의 행정적 부담을 줄여주는 등 실제 의료 현장의 효율성을 비약적으로 높일 수 있습니다.
---
### **★ 이 연구가 왜 중요한가?**
기존 의료 AI는 전립선암용, 유방암용 등 개별 질환마다 수억 원의 비용과 수많은 데이터를 들여 인공지능을 새로 개발하고 승인받아야 했습니다. 그러나 PRISM2는 하나의 거대 AI 모델이 수많은 종류의 암 진단부터 유전자 변이 예측, 환자 예후 추정까지 동시에 처리할 수 있는 '범용 의료 인공지능(Generalist Medical AI)'의 가능성을 입증했습니다. 이는 의료 AI 기술의 개발 방식 자체를 패러다임 전환시킨 중요한 연구입니다.
chatGPT
아래 글은 업로드하신 **Nature Medicine 논문 「End-to-end multimodal pathology foundation model with clinical dialogue」**의 연구 내용과 수치를 바탕으로, 전문지식이 없는 일반 성인 독자도 쉽게 읽을 수 있도록 블로그 글 형태로 풀어쓴 것입니다. 논문의 핵심인 **연구 배경–목적–방법–결과–고찰–의의와 시사점**이 자연스럽게 이어지도록 구성했습니다.
# 병리사진을 보고 의사처럼 질문에 답하는 AI, PRISM2의 가능성
암을 진단할 때 병리과 의사는 환자의 조직을 현미경으로 자세히 살펴봅니다. 최근에는 이 과정을 디지털 이미지로 바꾸고 인공지능(AI)이 분석하도록 하는 ‘계산병리학’ 연구가 빠르게 발전하고 있습니다. 하지만 기존 AI는 현미경 사진을 작은 조각으로 나누어 분석하는 데 강했지만, 실제 환자 한 명의 전체 병리 슬라이드를 종합적으로 이해하는 데에는 한계가 있었습니다. 한 장의 전체 슬라이드는 매우 크기 때문에 수천 개의 작은 이미지 조각을 함께 판단해야 하기 때문입니다.
이번 연구에서는 이런 한계를 극복하기 위해 **PRISM2**라는 새로운 병리학 AI 모델을 개발했습니다. 쉽게 말하면 PRISM2는 단순히 ‘사진을 보고 암인지 아닌지 맞히는 AI’가 아니라, 병리 의사가 실제 진료에서 사용하는 **질문과 답변, 진단 보고서와 같은 언어 정보까지 함께 학습한 AI**입니다. 연구진은 AI가 병리사진의 모양뿐 아니라 의사가 그 사진을 보고 어떤 식으로 진단하고 설명하는지를 함께 배우도록 했습니다.
## 연구에는 얼마나 많은 자료가 사용됐을까?
PRISM2의 가장 큰 특징 가운데 하나는 학습 데이터의 규모입니다. 연구진은 약 **230만 장의 전체 병리 슬라이드 이미지와 약 70만 건의 병리 관련 임상 보고서에서 만들어진 1,400만 개의 질문·답변 자료**를 이용했습니다. 논문에서는 약 68만5천 건의 임상 보고서와 230만 장의 전체 슬라이드가 사용됐다고 설명합니다.
예를 들어 병리 보고서에 ‘침윤성 소엽암종이 관찰되며, DCIS와 혈관 침범은 확인되지 않는다’는 내용이 있다면, 이를 AI가 학습하기 좋은 질문과 답변으로 바꿉니다. ‘침윤성 소엽암종이 있는가?’, ‘DCIS가 있는가?’, ‘혈관 침범이 있는가?’와 같은 형태입니다. 이런 과정을 통해 AI는 단순히 사진과 문장을 연결하는 것을 넘어, **병리 의사가 실제로 어떤 질문을 던지고 어떤 근거로 답하는지를 학습**하게 됩니다.
## PRISM2는 어떻게 학습했을까?
PRISM2는 크게 두 단계로 학습했습니다. 먼저 기존의 병리 이미지 AI인 **Virchow2**가 병리 슬라이드의 작은 이미지 조각들을 분석하고, 이를 하나의 전체 슬라이드 정보로 모읍니다. 이후 이 정보를 병리 보고서의 문장과 연결합니다. 두 번째 단계에서는 언어모델인 **Phi-3 Mini**를 활용해 질문과 답변 능력을 더욱 학습시켰습니다.
이 방법의 중요한 점은 AI에게 단순히 ‘이 사진은 무엇인가?’라고 가르치는 것이 아니라, **‘이 조직에 암이 있는가?’, ‘어떤 종류의 암인가?’, ‘특정 소견이 존재하는가?’**처럼 실제 병리 진료에서 사용할 수 있는 질문을 던졌다는 것입니다.
## 실제 성능은 어땠을까?
연구진은 PRISM2가 실제로 얼마나 잘 작동하는지 암 진단, 암의 종류 구분, 암의 진행 정도, 생존 예측, 바이오마커 예측 등 여러 분야에서 평가했습니다. 중요한 것은 평가에 사용된 데이터가 PRISM2와 Virchow2를 학습시킬 때 사용하지 않은 자료였다는 점입니다. 즉, AI가 이미 봤던 문제를 다시 맞힌 것이 아니라 새로운 자료를 대상으로 성능을 확인했습니다.
가장 눈에 띄는 결과는 암 진단입니다. PRISM2는 별도의 추가 학습 없이 질문과 답변 방식으로 암의 존재 여부를 판단했을 때, 전립선암과 유방암에서는 임상용으로 개발된 전문 AI와 비슷한 성능을 보였고, 유방 림프절 암 진단에서는 비교 대상인 임상용 AI보다 좋은 성능을 보였습니다.
전체 암종을 대상으로 한 분석에서도 PRISM2는 좋은 결과를 보였습니다. 여러 암 조직을 구분하는 평가에서 PRISM2의 진단용 표현은 AUC **0.967**을 기록했으며, 기존 비교 모델인 PRISM(0.947)과 TITAN(0.931)보다 높았습니다. 특히 흔한 암뿐 아니라 비교적 드문 암을 포함한 분석에서도 성능 저하가 크지 않았습니다.
또 하나 흥미로운 결과는 **환자의 생존 가능성 예측**입니다. 대장암 환자의 재발 없이 생존하는 기간을 예측하는 분석에서 PRISM2는 생존 예측을 전문적으로 학습한 모델의 C-index 0.773보다 높은 **0.809**를 기록했습니다. 또한 거의 10만 명의 환자 정보를 포함하는 대규모 생존 자료를 활용해 추가 학습했을 때도 좋은 결과를 보였습니다.
암 치료와 관련된 **바이오마커 예측**에서도 PRISM2는 다른 모델과 비슷하거나 더 좋은 성능을 보였습니다. 연구진은 조직을 염색한 H&E 병리 이미지에서 치료 결정에 도움이 되는 10개의 조직별 바이오마커를 예측하는 자료를 평가했습니다. PRISM2의 기본 표현은 이러한 바이오마커 예측에서도 다른 모델보다 뒤처지지 않았습니다.
## 병리 보고서도 작성할 수 있을까?
연구진은 한 단계 더 나아가 PRISM2가 실제 병리 보고서 작성에 도움을 줄 수 있는지도 살펴봤습니다. 유방암 병리 보고서의 일부 항목을 질문 형태로 바꾸어 AI에게 답하도록 했습니다. 예를 들어 ‘조직학적 암 종류는 무엇인가?’, ‘DCIS가 있는가?’, ‘림프혈관 침범이 있는가?’ 등을 질문하는 방식입니다.
결과적으로 PRISM2는 병리 보고서의 여러 내용을 어느 정도 이해하고 답할 수 있었습니다. 특히 일부 항목은 확률을 보정하면 성능이 크게 좋아졌습니다. 다만 모든 항목을 완벽하게 작성하는 수준은 아니었습니다. 암의 세부 종류나 등급처럼 판단이 복잡한 항목에서는 오류가 나타났습니다.
## 그렇다면 PRISM2가 의사를 대신할 수 있을까?
이번 연구 결과만으로는 그렇게 말하기 어렵습니다. 오히려 논문은 PRISM2의 한계를 분명하게 보여줍니다.
질문과 답변 형태에서는 오류율이 대략 **7~11%** 수준이었고, 진단 내용을 긴 문장으로 요약하도록 하면 오류가 더 많아졌습니다. 잘못된 정보를 만들어내는 경우, 중요한 내용을 빠뜨리는 경우, 암의 등급이나 병기를 잘못 판단하는 경우 등이 있었습니다.
또한 PRISM2는 공간적인 정보를 완벽하게 이해하지 못할 가능성이 있습니다. 현재 모델은 병리 슬라이드의 위치 정보를 충분히 활용하지 않았으며, 연구진은 앞으로 위치 정보를 포함하고 서로 다른 확대 수준의 이미지를 함께 사용하는 방법이 필요하다고 설명합니다. 특히 병변의 개수를 세거나 전체적인 공간적 위치가 중요한 진단에서는 개선이 필요합니다.
또 다른 중요한 한계도 있습니다. PRISM2와 이미지 분석의 기반이 된 Virchow2는 연구기관인 MSK에서 스캔한 슬라이드를 중심으로 학습됐기 때문에, 다른 병원이나 다른 장비에서 얻은 병리 이미지에서도 똑같이 안정적으로 작동하는지는 추가 연구가 필요합니다.
## 이 연구가 중요한 이유
이번 연구의 가장 큰 의미는 **AI가 병리사진을 ‘보는 것’에서 한 걸음 더 나아가, 병리 의사가 사진을 보고 진단하는 과정의 언어까지 함께 배웠다는 점**에 있습니다.
기존의 병리 AI가 사진 속 특징을 찾아내는 데 집중했다면, PRISM2는 ‘암이 있는가?’, ‘어떤 종류인가?’, ‘특정 병리 소견이 있는가?’와 같은 실제 임상 질문에 답하는 방식으로 학습했습니다. 그 결과 별도의 추가 학습 없이도 일부 암 진단에서 임상용 전문 AI와 비슷하거나 더 높은 성능을 보여주었습니다.
앞으로 이러한 기술이 충분히 검증되고 실제 의료 환경에 맞게 발전한다면, 병리 의사가 많은 양의 슬라이드를 검토할 때 **의심스러운 사례를 먼저 찾아내거나, 필요한 추가 검사를 제안하거나, 병리 보고서 작성의 일부를 보조하는 역할**을 할 가능성이 있습니다. 논문에서도 고위험 사례를 전문의에게 우선 배정하거나, 추가적인 면역조직화학 검사나 유전자 검사 등을 준비하는 데 활용할 가능성을 제시합니다.
결국 PRISM2 연구가 중요한 이유는 ‘AI가 의사를 대신한다’는 데 있지 않습니다. 오히려 **수백만 장의 병리사진과 실제 임상 진단 정보를 함께 학습한 AI가 의사의 판단을 어떻게 보조할 수 있는지 보여줬다는 데 의미가 있습니다.** 앞으로는 암을 찾아내는 능력뿐 아니라 환자의 예후를 예측하고, 치료에 도움이 되는 바이오마커를 찾아내는 능력이 더욱 중요해질 가능성이 있습니다. 연구진 역시 향후 병리 AI 연구의 중요한 방향으로 이러한 예후와 바이오마커 예측을 제시하고 있습니다.
이 글은 블로그에 바로 활용할 수 있도록 전문용어를 최대한 풀어 썼지만, 논문에서 실제로 보고한 **230만 장의 슬라이드, 1,400만 개 질문·답변, 암 진단·생존·바이오마커 결과와 한계**는 유지했습니다.
grok
병리 슬라이드를 보고 의사를 도와주는 AI, PRISM2 이야기
병리과는 우리 몸에서 떼어낸 조직을 현미경으로 자세히 관찰해 암이 있는지, 어떤 종류인지, 얼마나 위험한지 판단하는 곳입니다. 그런데 한 장의 조직 슬라이드는 엄청나게 커서 수천 개의 작은 조각으로 나눠 봐야 하고, 그 정보를 모두 종합해야 정확한 진단이 나옵니다. 최근 AI가 이 일을 돕기 시작했지만, 대부분 작은 조각 하나하나를 따로 학습하는 수준에 머물러 있었습니다. 환자 한 명의 전체 케이스를 한 번에 이해하고, 의사처럼 질문을 주고받으며 답을 내는 모델은 아직 부족했습니다.
이번에 나온 PRISM2는 바로 그 한계를 넘어서려는 시도입니다. 연구진은 약 70만 명의 환자로부터 나온 230만 장의 조직 슬라이드와, 그에 paired된 70만 개의 병리 보고서를 이용해 모델을 학습시켰습니다. 보고서에서 나온 진단 내용을 바탕으로 1400만 개의 질문-답변 쌍을 만들어, AI가 “이 슬라이드에 암이 있나요?”, “어떤 종류의 암인가요?”, “임파선 전이가 있나요?” 같은 실제 임상 질문에 직접 답할 수 있도록 훈련했습니다. 단순히 이미지를 외우는 것이 아니라, 의사가 보고서를 쓰며 생각하는 진단 과정 자체를 배우게 한 것입니다.
모델은 크게 두 가지 방식으로 작동합니다. 먼저 슬라이드를 작은 타일로 나눈 뒤, 이미 잘 학습된 Virchow2라는 모델을 이용해 각 타일의 특징을 뽑아냅니다. 그다음 이 특징들을 모아 하나의 ‘기본 임베딩’으로 압축하고, 여기에 언어 모델(Phi-3 Mini)을 연결해 ‘진단용 임베딩’을 만듭니다. 기본 임베딩은 생존 예측이나 바이오마커 예측처럼 보고서에서 직접 다루지 않은 새로운 일에 잘 쓰이고, 진단용 임베딩은 암 발견이나 아형 분류처럼 실제 진단 작업에 더 특화되어 있습니다. 학습은 두 단계로 나뉩니다. 첫 단계에서는 이미지와 보고서 내용을 맞추는 훈련을 하고, 두 번째 단계에서는 질문-답변 능력을 더 다듬습니다.
결과는 꽤 인상적입니다. 전립선암, 유방암, 유방 임파선 전이 검사에서 이미 임상에서 쓰이는 상용 제품과 비슷하거나 더 높은 정확도를 보였습니다. 별도의 추가 학습 없이 질문만으로도 이 수준에 도달했습니다. 여러 종류의 암을 한꺼번에 찾는 작업, 폐암·신장암 아형 분류, 전립선암 등급 매기기, 임파선 병기 결정 등에서도 기존 모델들을 앞서거나 최소한 뒤처지지 않았습니다. 생존 예측 과제에서는 대규모 생존 데이터로 추가 미세조정을 했을 때, 처음부터 생존 전문으로 만든 모델보다 더 좋은 성능을 냈습니다. 바이오마커 예측에서도 다른 모델과 비슷하거나 조금 더 나은 결과를 보였습니다. 게다가 CAP(미국병리학회) 양식에 맞춰 유방암 생검 보고서를 실제로 채워 넣는 능력까지 보여주었습니다.
물론 완벽한 것은 아닙니다. 보고서에서 언급되지 않은 소견을 부정적으로 가정해서 만든 질문 데이터에는 일부 오류가 있었고, 모델도 가끔 환각이나 누락을 보였습니다. 진단에 너무 특화된 임베딩은 생존이나 바이오마커처럼 보고서에서 다루지 않은 과제에서는 기본 임베딩보다 약할 수 있습니다. 연구진은 이 점을 인정하고, 상황에 따라 두 임베딩을 골라 쓰라고 권합니다.
이 연구가 중요한 이유는 분명합니다. 지금까지 AI는 대부분 “이 조각에 암이 있나?” 수준의 좁은 질문에만 답할 수 있었습니다. PRISM2는 한 환자의 전체 슬라이드를 보고, 의사가 실제로 하는 질문 형식 그대로 답을 내놓으며, 그 과정에서 얻은 표현을 다른 예측 과제에도 쓸 수 있게 만들었습니다. 별도의 대규모 추가 학습 없이도 임상 제품 수준의 성능을 냈다는 점은, AI가 단순한 보조 도구를 넘어 실제 진단 워크플로우에 들어갈 수 있는 가능성을 보여줍니다. 특히 전문 병리의가 부족한 지역이나, 많은 케이스를 빠르게 우선순위를 정해야 하는 상황에서 큰 도움이 될 수 있습니다.
물론 아직 실제 병원에 바로 넣기에는 데이터 편향, 공간 정보 부족, 예후·바이오마커 성능 개선 등 남은 과제가 있습니다. 하지만 “의사가 쓰는 언어로 조직 이미지를 이해한다”는 방향이 효과적이라는 것을 대규모 데이터로 입증했다는 점에서, 이 연구는 디지털 병리학의 중요한 이정표가 될 것입니다.
NotebookLM
**[블로그 포스팅] 의사처럼 대화하며 암을 진단하는 AI 조수의 탄생: 의료 인공지능의 한계를 깨부순 'PRISM2'**
안녕하세요! 병원에서 환자의 암 조직 현미경 사진을 정밀하게 분석하고, 인공지능(AI)을 활용한 첨단 디지털 의료 기술을 연구하는 박사이자 실무 전문가입니다. 오늘은 2026년 세계 최고의 의학 학술지인 **'네이처 메디신(Nature Medicine)'**에 발표된 의료 인공지능 분야의 엄청난 혁신 소식을 들려드리려 합니다. 바로 의사들이 작성한 수십만 건의 진짜 보고서를 바탕으로 대화하며 암을 진단하는 똑똑한 인공지능 모델, **'PRISM2'**에 대한 이야기입니다.
**1. 연구 배경: 현미경 사진 한 장에 담긴 거대한 퍼즐과 기존 AI의 한계**
환자의 몸에서 암으로 의심되는 조직을 떼어내면, 병원에서는 이를 현미경으로 관찰할 수 있는 아주 커다란 '전체 슬라이드 이미지(WSI)'로 만듭니다. 이 한 장의 디지털 이미지는 너무나 거대해서 수억 픽셀에 달하며, 수천 개의 작은 조각(타일)으로 잘라 분석해야 합니다. 하지만 그동안의 인공지능 모델들은 이 작은 조각들 속에 담긴 개별 세포 모양만을 읽는 데 그쳤고, 환자 한 명 전체의 큰 슬라이드 이미지를 완벽하게 종합해서 진단하는 데는 기술적 한계가 있었습니다. 또한, 특정 암을 감지하거나 질병의 진행 상황을 예측하기 위해 매번 복잡한 데이터를 수동으로 정제하고 특정 업무용으로 인공지능을 새로 훈련시켜야만 해서 연구의 효율성이 떨어지고 모델의 안정성이 낮다는 문제가 있었습니다.
**2. 연구 목적: 의사의 진단 논리를 배우는 똑똑한 범용 의료 인공지능**
이번 연구의 목적은 아주 명확합니다. 추가적인 학습이나 복잡한 재훈련 과정을 거치지 않고도, 환자 한 명 전체의 거대한 슬라이드 이미지를 통째로 이해하는 강력한 '슬라이드 수준의 인공지능 모델'을 개발하는 것입니다. 특히, 현미경 속 세포들의 모양(병리 형태)과 인간 의사의 정교한 의학적 진단 논리를 서로 완벽하게 결합하여, 마치 베테랑 의사처럼 직접 진단서(보고서)를 쓰고 질병에 대한 질문에 똑똑하게 대답할 수 있는 새로운 범용 의료 인공지능 플랫폼 **'PRISM2'**를 구축하고자 했습니다.
**3. 연구 방법: 230만 장의 이미지와 1,400만 개의 대화로 공부한 AI**
연구팀은 미국 메모리얼 슬론 케터링 암센터(MSK) 등 전 세계 다양한 기관에서 수집한 **230만 장에 달하는 거대한 암 조직 슬라이드 이미지**와 이에 매칭되는 **68만 5천 건의 실제 병원 임상 보고서**를 모았습니다. 그리고 이 소중한 실제 의료 데이터에 최첨단 인공지능(GPT-4o)을 활용하여 "어떤 종류의 암이 관찰되나요?", "염증이 있나요?"와 같은 **1,400만 개의 정밀한 의학 대화(질문-답변) 쌍**을 새롭게 생성했습니다. 인공지능은 1단계 학습에서 거대한 이미지 조각들을 256개의 핵심 특징으로 압축하여 텍스트 데이터와 대조하며 큰 그림을 읽는 법을 배웠습니다. 이어 2단계에서는 38억 개의 매개변수를 가진 최신 언어 모델(Phi-3 Mini)과 결합하여, 이미지를 보며 의학적 대화를 정교하게 나누는 미세조정(Fine-tuning) 과정을 거쳤습니다.
**4. 주요 연구 결과: 세계 최고 수준의 전문 의료 AI를 뛰어넘는 놀라운 진단 능력**
PRISM2가 거둔 성적표는 그야말로 경이롭습니다. 첫째, 이 모델은 추가 학습 없이 오직 대화창에 "이 조직에 악성 종양이 있습니까?"라고 묻는 것만으로도 암을 정확히 짚어냈습니다. 심지어 전립선암, 유방암, 림프절암 진단률을 비교한 실험에서, 엄격한 임상 검증을 거쳐 미국 FDA 승인이나 혁신 의료기기 지정을 받은 세계 최고의 전문 의료 소프트웨어들(Paige Prostate, Paige Breast, Paige BLN)과 같거나 오히려 이들을 능가하는 정확도를 기록했습니다. 둘째, 16가지 암 유형을 아우르는 전신 암 진단(Pan-cancer)에서도 경쟁 모델들을 모두 뛰어넘었습니다. 셋째, 암 치료에 가장 중요한 환자의 유전자 정보(바이오마커) 예측과 대장암 환자의 재발율 및 생존율 예측에서도, 처음부터 이 작업만을 위해 학습된 전용 모델들보다 더 우수한 예측력을 뽐냈습니다. 넷째, 미국병리학회(CAP) 가이드라인에 맞춘 실제 유방암 조직 검사 보고서의 까다로운 전문 빈칸들을 스스로 정밀하게 채워 넣는 놀라운 실무 수행력까지 성공적으로 증명해 보였습니다.
**5. 고찰: 단순히 보고서를 쓰는 것을 넘어 '진짜 대화'를 이해하는 힘**
이번 연구를 통해 밝혀진 가장 큰 핵심은, 인공지능에게 단순히 한 줄짜리 진단 결과만 보여주기보다 의사가 의학적 판단을 내릴 때 쓰는 복잡한 사고방식을 **'질의응답식 대화(Clinical Dialogue)'**로 가르쳤을 때 이미지를 이해하는 능력이 비약적으로 상승한다는 사실입니다. 또한, PRISM2는 암을 직접 판독하는 업무에 특화된 '진단용 데이터(Diagnostic Embedding)'와 치료법이나 생존율 예측처럼 더 넓고 복잡한 유전자 분석에 특화된 '기초 데이터(Base Embedding)'를 각각 따로 만들어 출력하는 **'독창적인 이중 임베딩 구조'**를 적용했습니다. 이러한 독창적인 설계 방식과 함께, 학습에 사용된 데이터의 규모를 기존 연구(PRISM)보다 무려 3.5배 이상 크게 키운 시너지 효과가 더해져 압도적인 진단 신뢰성을 확보할 수 있었습니다.
**6. 의의와 시사점: 전 세계 모든 환자에게 공평한 고품질 의료 서비스**
기존에는 인공지능이 림프절암이나 전립선암을 진단하기 위해서 고도로 정제된 전용 데이터와 수억 원의 비용을 들여 각 전용 AI를 따로 훈련시켜야 했습니다. 하지만 PRISM2는 단 한 번 만들어진 강력한 지식 창고를 통해, 간단한 자연어 질문만으로도 여러 장기와 질병 유형을 모두 정밀하게 진단하는 **'범용 의학 인공지능(Generalist Model)'의 탄생**을 세상에 입증했습니다. 이는 앞으로 전문 병리 의사가 부족해 정확한 진단을 받기 어려웠던 오지, 시골 병원, 혹은 의료비가 너무 비싼 소외 지역에서도 인터넷만 연결되어 있다면 대형 병원 못지않은 최고 수준의 정확한 '2차 소견(Second Opinion)'을 실시간으로 얻어 치료의 공평성을 높이는 위대한 기틀이 될 것입니다.
**💡 이 연구가 왜 중요한가요?**
이 연구가 우리 인류에게 중요한 진짜 이유는 **"암 진단과 치료의 골든타임을 획기적으로 앞당길 '디지털 전임의(Digital Resident)'를 얻었기 때문"**입니다. 하루가 다르게 쏟아지는 거대한 조직 슬라이드 이미지 속에서 암의 미세한 단서를 빠짐없이 손수 찾아내기란 의료진에게 엄청난 육체적, 정신적 부담입니다. PRISM2는 현미경 이미지와 의사들의 언어를 유기적으로 결합하여, 복잡한 사진을 실시간으로 정밀 해독하고 의사들이 작성해야 할 꼼꼼한 진단 보고서의 뼈대까지 알아서 채워주는 믿음직한 파트너입니다. 결국 이 기술은 오진을 방지해 환자의 안전을 완벽하게 보호할 뿐만 아니라, 가장 정확하고 빠른 치료 결정을 내릴 수 있도록 돕는 미래 디지털 정밀 의료의 든든한 등대이자 역사적 전환점이 될 것입니다.
Perplexity.ai
# 병리학자의 판단을 배우는 인공지능, 암 진단을 어디까지 바꿀 수 있을까?
암을 진단할 때 병리학자는 환자의 조직을 아주 얇게 잘라 염색한 뒤 현미경으로 관찰합니다. 최근에는 이 조직 표본을 디지털 이미지로 바꾸어 컴퓨터가 분석하는 ‘디지털 병리학’이 발전하고 있습니다. 하지만 조직 전체를 한꺼번에 이해하고, 병리학자처럼 “암이 있는가?”, “어떤 종류의 암인가?”와 같은 질문에 답하는 인공지능은 아직 충분히 발전하지 못했습니다.
이번 연구에서는 이러한 한계를 해결하기 위해 **PRISM2**라는 인공지능 모델을 개발했습니다. PRISM2는 조직 슬라이드 이미지와 병리 보고서를 함께 학습해, 암을 찾고 종류를 구분하며 일부 예후와 바이오마커까지 예측하도록 설계되었습니다. 연구 결과, PRISM2는 별도의 추가 학습 없이도 전립선암, 유방암, 유방암 림프절의 암 탐지에서 이미 임상에 사용되는 전문 인공지능 제품과 비슷하거나 더 좋은 성능을 보였습니다.
## 연구 배경과 목적
기존의 병리 인공지능은 전체 슬라이드를 작은 조각으로 나눈 뒤 각각을 분석하는 방식이 많았습니다. 마치 큰 지도를 아주 작은 조각으로 잘라 하나씩 살펴보는 것과 비슷합니다. 이 방식은 세포나 조직의 작은 특징을 찾는 데는 도움이 되지만, 환자 한 명의 전체 조직에서 중요한 정보를 종합하는 데는 한계가 있습니다.
실제 진료에서는 조직의 한 부분만 보는 것이 아니라 슬라이드 전체를 살펴보고, 여러 조직 조각에서 발견되는 특징을 종합해야 합니다. 또한 병리학자는 단순히 “암이다”라고만 판단하지 않습니다. 암의 종류와 등급, 주변 조직으로 퍼졌는지, 혈관을 침범했는지 등을 함께 고려해 보고서를 작성합니다.
연구진은 인공지능이 단순히 조직 이미지를 보는 수준을 넘어, 병리학자가 보고서를 작성하고 질문에 답하는 방식까지 배울 수 있는지 확인하고자 했습니다. 이를 위해 이미지와 글을 함께 이해하는 다중 모달 인공지능인 PRISM2를 개발했습니다.
## 연구 방법
PRISM2는 약 20만 명의 환자에게서 얻은 230만 장의 디지털 병리 슬라이드와 약 68만 5천 건의 병리 보고서를 학습했습니다. 병리 보고서를 바탕으로 약 1,400만 개의 질문과 답변 자료도 만들어 학습에 사용했습니다.
인공지능은 먼저 슬라이드 전체를 작은 이미지 조각으로 나누어 분석했습니다. 이후 여러 조각에서 얻은 정보를 모아 하나의 조직 슬라이드에 대한 전체적인 표현을 만들었습니다. 이 과정은 수많은 퍼즐 조각을 하나의 그림으로 맞추는 것과 비슷합니다.
연구진은 인공지능에게 다음과 같은 여러 방식으로 학습시켰습니다.
- 병리 보고서를 작성하기.
- “이 조직에 암이 있습니까?”와 같은 질문에 예 또는 아니오로 답하기.
- “암의 조직학적 유형은 무엇입니까?”와 같은 질문에 구체적으로 답하기.
- 여러 선택지 중 가장 알맞은 답을 고르기.
- 조직 이미지와 병리 보고서가 서로 맞는지 확인하기.
이처럼 질문과 답변 형식으로 학습시킨 것이 PRISM2의 중요한 특징입니다. 단순히 이미지와 문장을 연결하는 데 그치지 않고, 실제 병리 진료에서 사용되는 질문의 형태를 익히도록 한 것입니다.
## 연구 결과
PRISM2는 암 진단, 암의 세부 유형 구분, 바이오마커 예측, 환자의 생존 예측 등 여러 과제에서 평가되었습니다. 평가에 사용한 자료는 인공지능이 학습할 때 보지 못한 별도의 자료였습니다.
먼저 암 탐지 결과가 매우 우수했습니다. 전립선암, 유방암, 유방암 림프절에서 PRISM2는 추가적인 맞춤 학습 없이도 임상용 전문 제품과 비슷하거나 더 높은 성능을 보였습니다. 특히 여러 장기의 암을 한꺼번에 찾는 평가에서는 PRISM2의 진단용 정보가 다른 비교 모델보다 높은 성능을 나타냈습니다. 전체 암 탐지의 AUC는 0.967로, 비교 모델인 PRISM의 0.947과 TITAN의 0.931보다 높았습니다. 여기서 AUC는 암이 있는 경우와 없는 경우를 얼마나 잘 구분하는지를 나타내는 지표입니다.
암의 세부 유형과 병기, 등급을 판단하는 과제에서도 PRISM2는 좋은 결과를 보였습니다. 유방암, 폐암, 신장암의 종류를 구분하고, 림프절 전이 병기와 전립선암의 등급을 판단하는 데 다른 모델과 비슷하거나 더 나은 성능을 보였습니다.
생존 예측에서는 더 큰 차이가 나타났습니다. 연구진은 22만 5천 건이 넘는 환자 사례와 약 10만 명에 가까운 환자의 생존 정보를 사용해 PRISM2를 추가 학습했습니다. 대장암 환자의 재발 없이 생존할 가능성을 예측했을 때, PRISM2의 일치도 지수는 0.809로 처음부터 생존 예측만 학습한 전문 모델의 0.773보다 높았습니다. 이는 조직의 모양만으로도 환자의 향후 경과와 관련된 정보를 어느 정도 찾아낼 수 있음을 보여줍니다.
유전자 검사와 관련된 바이오마커 예측에서도 PRISM2는 다른 모델보다 뒤처지지 않았습니다. 대장암의 MSI, 폐암의 EGFR, 유방암의 PIK3CA와 같은 여러 바이오마커를 조직 염색 이미지에서 예측하는 과제에서 우수한 성능을 보였습니다. 다만 이 분야에서는 다른 모델과의 차이가 암 진단만큼 크지는 않았습니다.
연구진은 PRISM2가 실제 병리 보고서의 일부 항목을 자동으로 채울 수 있는지도 확인했습니다. 유방암 조직을 대상으로 암의 종류, 관내암의 존재 여부, 림프혈관 침범 여부 등을 질문하자 일정 수준으로 답변할 수 있었습니다. 그러나 20가지에 이르는 암의 세부 유형을 모두 구분하는 과제에서는 성능이 낮아졌고, 일부 답변은 확률을 조정하는 추가 과정이 필요했습니다.
## 고찰과 한계
이번 연구는 병리 인공지능이 단순히 암 조직을 찾는 도구에서 벗어나, 병리학자의 질문과 판단 과정을 보조하는 단계로 발전할 수 있음을 보여줍니다. 예를 들어 인공지능이 “림프혈관 침범이 있습니까?” 또는 “이 조직에 악성 종양이 있습니까?”라는 질문에 답하면, 병리학자는 보고서 작성과 검토에 드는 시간을 줄일 수 있습니다. 또한 위험도가 높은 사례를 먼저 전문의에게 보내거나, 추가 면역염색이나 유전자 검사가 필요한 사례를 선별하는 데 활용할 수 있습니다.
하지만 PRISM2가 곧바로 병리학자를 대신할 수 있다는 뜻은 아닙니다. 연구에서도 보고서 요약을 작성할 때 중요한 내용을 빠뜨리거나 실제로 없는 소견을 만들어내는 오류가 나타났습니다. 특히 암의 등급이나 희귀한 세부 유형처럼 판단이 복잡한 항목에서는 오류 가능성이 더 높았습니다.
또한 학습 자료의 상당 부분이 특정 기관에서 생산된 자료였고, 슬라이드도 한 종류의 염색 방식과 특정 스캐너 조건에 의존했습니다. 병원마다 조직 처리 방법, 염색 상태, 스캐너가 다를 수 있기 때문에 다른 나라나 다른 병원에서도 같은 성능이 나오는지는 추가 검증이 필요합니다. 연구진도 위치 정보와 여러 배율의 이미지를 충분히 사용하지 못한 점, 바이오마커와 예후 예측을 사전 학습에 더 포함할 필요가 있다는 점을 한계로 제시했습니다.
## 연구의 의의와 시사점
PRISM2 연구의 가장 큰 의미는 병리 인공지능이 “이미지에서 특징을 찾는 기술”을 넘어 “이미지와 의료 언어를 함께 이해하는 기술”로 발전했다는 데 있습니다. 조직 이미지와 병리 보고서를 함께 학습했기 때문에, 인공지능은 단순히 암 조직을 표시하는 것을 넘어 병리학자가 실제로 사용하는 질문에 답할 수 있게 되었습니다.
이 기술이 발전하면 병리학자가 많은 슬라이드를 빠르게 검토하고, 놓치기 쉬운 고위험 사례를 확인하는 데 도움을 받을 수 있습니다. 전문 병리의사가 부족한 지역에서는 2차 의견을 제공하는 보조 도구로도 활용될 가능성이 있습니다. 다만 최종 진단은 여전히 환자의 임상 정보와 추가 검사 결과를 종합해 의료진이 내려야 합니다.
이 연구가 중요한 이유는 암 진단의 속도와 정확도를 높일 가능성을 보여주었기 때문입니다. 특히 하나의 암만 잘 찾는 인공지능이 아니라 여러 장기와 다양한 질환에 적용할 수 있는 기반 모델을 만들었다는 점이 중요합니다. 앞으로 충분한 외부 검증과 안전성 평가가 이루어진다면, PRISM2와 같은 인공지능은 병리학자의 능력을 대신하기보다는 확장해 주는 실질적인 의료 도구가 될 수 있습니다.
Kimi
# “병리 전문의처럼 슬라이드를 보고 설명하는 AI, PRISM2”
— 병리 진단과 예후 예측을 아우르는 새로운 기초모델
## 연구 배경
병리학은 환자의 조직을 현미경으로 관찰해 암이 있는지, 어떤 종류인지, 앞으로의 경과는 어떨지 판단하는 의학 분야입니다. 과거에는 병리 전문의가 조직 슬라이드를 직접 확인했지만, 최근에는 조직을 디지털로 저장한 전체 슬라이드 영상을 인공지능이 분석하기 시작했습니다. 그러나 기존 병리 인공지능은 대개 작은 이미지 조각, 즉 ‘타일(tile)’을 하나씩 보는 데 익숙했습니다. 실제 진단에서는 한 환자의 슬라이드 하나에도 수천에서 수만 개의 타일이 포함되므로, 전체적인 맥락을 이해하는 것이 훨씬 중요합니다.
이런 한계를 넘어 등장한 것이 ‘슬라이드 수준의 기초모델’입니다. 여기서 말하는 기초모델은 수많은 데이터로 먼저 넓게 학습해, 새로운 과제에 비교적 적은 추가 학습만으로도 활용할 수 있는 모델을 뜻합니다. 다만 기존 슬라이드 수준 모델들은 진단과 직접 연결되는 방식으로 학습되지 못해 실제 임상에서 필요한 수준까지 도달하기 어려웠습니다. 특히 암이 있는지 여부처럼 단순한 문제는 어느 정도 풀 수 있었지만, 병리 보고서 작성, 조직학적 아형 구분, 바이오마커 예측, 생존 예측까지 모두 아우르는 것은 아직 부족했습니다.
## 연구 목적
이 논문에서 소개하는 PRISM2는 단순히 조직 이미지를 분류하는 모델을 넘어, 병리 전문의의 진단 과정을 모방하는 것을 목표로 했습니다. 연구팀은 크게 세 가지를 달성하고자 했습니다. 첫째, 거대한 병리 슬라이드에서 질병의 형태적 특징과 임상적 의미를 함께 학습하는 것입니다. 둘째, 별도의 추가 학습 없이도 “암이 존재하는가?”, “어떤 조직형인가?”, “림프혈관 침윤이 있는가?” 같은 질문에 답할 수 있게 만드는 것입니다. 셋째, 학습된 임베딩을 활용해 바이오마커와 환자의 생존 예후까지 예측하는 것입니다.
즉, PRISM2는 한 가지 병만 진단하는 전문가가 아니라 다양한 병리 문제를 상대할 수 있는 ‘일반 병리 전문가’에 가까운 모델을 만들려는 시도였습니다.
## 연구 방법
PRISM2는 매우 큰 규모의 병리 데이터로 학습됐습니다. 학습에는 200,692명의 환자에서 수집한 685,507건의 병리 보고서와 2,350,518장의 전체 슬라이드 영상이 사용됐습니다. 슬라이드는 정상, 양성 질환, 전암 병변, 암 등 다양한 상태를 포함했고, 유방·피부·림프절·전립선·대장·폐·갑상선·방광 등 여러 장기를 아우렀습니다. 또한 GPT-4o를 활용해 보고서 내용을 바탕으로 1,400만 개 이상의 질문과 답변을 만들었습니다. 예를 들어 “침습성 암이 있는가?”, “유두종 모양으로 자라고 있는가?”, “FIGO grade는 얼마인가?”처럼 실제 임상에서 물어볼 법한 질문들이었습니다.
모델의 구조는 마치 병리 전문의가 작은 영상 조각을 차례대로 살피고 전체를 이해하는 과정과 비슷합니다. 먼저 Virchow2라는 이미지 기초모델이 각 타일을 숫자 표현으로 바꾼 뒤, PRISM2의 ‘슬라이드 인코더’가 이를 하나의 슬라이드 표현으로 압축합니다. 이 과정에서 만들어지는 ‘기본 임베딩(base embedding)’은 비교적 다양한 과제에 활용할 수 있는 일반적인 정보를 담습니다. 이어서 Phi-3 Mini라는 언어모델이 이미지 표현과 질문을 함께 처리해 답변을 만들고, 이 과정에서 만들어지는 ‘진단 임베딩(diagnostic embedding)’은 암 진단이나 병변 분류처럼 진단에 특화된 정보를 담습니다.
학습은 두 단계로 진행됐습니다. 첫 단계에서는 슬라이드 인코더와 언어 구성 요소가 보고서 문장과 질문-답변을 함께 학습했고, 둘째 단계에서는 슬라이드 인코더를 고정한 뒤 언어모델을 더 세부적으로 학습했습니다. 이처럼 단계별로 학습한 이유는 이미지에 담긴 일반적 특징은 유지하면서도, 언어 모델이 병리학적 의미를 더 잘 표현하도록 만들기 위해서입니다.
## 주요 결과
가장 눈에 띄는 결과는 별도의 추가 학습 없이도 PRISM2가 임상용으로 개발된 상용 암 감지 제품과 비슷하거나 더 좋은 성능을 보였다는 점입니다. 전립선암 감지에서는 PRISM2의 균형 정확도가 0.933으로 Paige Prostate의 0.935와 거의 같았고, 유방암에서는 0.967로 Paige Breast의 0.962보다 높았습니다. 유방암 전이 여부를 보는 유방 림프절 검사에서는 PRISM2가 0.941로 0.888을 기록한 Paige BLN보다 우수했습니다. 비교 모델인 PRISM과 TITAN은 대조적 방식으로 예측했지만 상용 제품 수준에는 미치지 못했습니다.
암 종류에 관계없이 ‘악성 종양이 있는가’를 판별하는 팬암ancer 검사에서도 PRISM2는 0.876의 균형 정확도를 보였고, 드문 암에서는 0.857을 기록해 비교 모델들보다 좋은 결과를 얻었습니다. 유방암, 비소세포폐암, 신세포암의 조직학적 아형 구분에서도 PRISM2는 각각 0.895, 0.922, 0.911의 균형 정확도를 보였습니다.
슬라이드 임베딩에 간단한 선형 분류기를 붙인 결과에서도 PRISM2는 우수했습니다. 팬암ancer 감지에서 진단 임베딩의 AUC는 0.967, 드문 암에서는 0.957이었습니다. 유방과 위장관 조직의 암, 전암 병변, 양성 질환 감지에서도 대체로 가장 좋거나 최상위권 성능을 보였습니다. 외부 공개 데이터인 CAMELYON17 림프절 병기 평가에서는 PRISM2의 진단 임베딩과 기본 임베딩이 각각 0.881과 0.888의 가중 카빈계수를 기록해 비교 모델보다 높았습니다. 전립선암 등급 평가 데이터 PANDA-SI에서는 0.862로 가장 좋은 성능을 보였습니다.
생존 예측에서는 PRISM2의 슬라이드 인코더를 생존 데이터로 추가 학습한 ‘생존 임베딩’이 두드러졌습니다. 결장직장암 무재발 생존 예측에서는 생존 임베딩의 C-index가 0.809로, 같은 구조를 처음부터 생존 데이터만으로 학습한 전문 모델의 0.773보다 높았습니다. TCGA의 13개 질병특이 생존 과제 평균에서도 PRISM2 생존 임베딩이 0.744로 전문 모델의 0.737을 앞섰습니다. 이는 병리 보고서로 먼저 넓게 학습한 뒤 생존 과제를 학습하는 것이 처음부터 좁게 학습하는 것보다 효율적임을 보여줍니다.
바이오마커 예측에서는 추가 학습이 없는 기본 임베딩이 가장 균형 잡힌 성능을 보였습니다. MSK 데이터의 10개 바이오마커 평균 AUC는 0.854, TCGA 데이터의 7개 바이오마커 평균 AUC는 0.784였습니다. 생존 정보나 분자적 정보가 병리 보고서 기반 대화 학습에는 거의 포함되지 않았기 때문에, 진단에 특화된 임베딩보다 기본 임베딩이 더 잘 일반화된 것으로 해석됩니다.
연구팀은 실제 병리 보고서 작성 능력도 살펴봤습니다. 유방암 조직 검사에 사용되는 미국병리학회(CAP) 양식을 PRISM2에 질문 형태로 제시한 것입니다. 조직형, 관형 형성 점수, 핵 다형성 점수, 상피내암 여부, 괴사, 미세석회화, 림프혈관 침윤 등의 항목을 채웠는데, 전체적으로 진단 개념을 상당 부분 이해했지만 일부 항목은 확률 보정이 필요했습니다. 예를 들어 침습성 유관암과 침습성 소엽암을 구분하는 데는 강점을 보였지만, 여러 희귀 조직형까지 세부적으로 나누는 문제에서는 정답률이 낮아졌습니다.
## 고찰과 한계
PRISM2의 성능 향상은 세 가지 요인이 결합된 결과입니다. 첫째, 광범위한 조직과 질병을 포함하는 대규모 데이터를 사용했습니다. 둘째, 이미지와 보고서를 연결하는 대조 학습에 더해 질문-답변 형태의 대화 학습을 추가했습니다. 셋째, 진단에 특화된 임베딩과 일반 목적의 임베딩을 분리해 사용했습니다. 특히 질문-답변 방식은 “암이 있는가?”라는 하나의 질문을 여러 장기와 여러 병변에 공통적으로 적용할 수 있다는 장점이 있습니다.
그러나 모델이 완벽한 것은 아닙니다. 병리 보고서에서 언급되지 않은 병변을 음성으로 가정해 만든 ‘보완적 예/아니오 질문’에는 약 18%의 데이터 오류가 있었고, 모델도 진단 요약에서는 34%의 오류를 보였습니다. 환각, 누락, 잘못된 분류, 논리적 모순이 주요 오류 유형이었습니다. 또한 모델은 주로 0.5 μm/pixel 해상도만 사용했고, 전체 슬라이드 내 위치 정보를 충분히 활용하지 못했습니다. 특히 림프절 병기처럼 병변의 크기와 분포를 정확히 파악해야 하는 과제에서는 한계가 있을 수 있습니다.
중요한 점은 이번 성능 비교가 상용 제품의 개발 과정에서 사용된 데이터와 비슷한 내부 평가 데이터에서 이뤄졌다는 것입니다. 따라서 “PRISM2가 모든 병원과 모든 환자 집단에서 임상용 제품보다 우수하다”고 단정할 수는 없습니다. 외부 병원, 다른 스캐너, 다른 염색 조건, 다양한 인구집단에 대한 추가 검증이 필요합니다. 또한 최종 의료 판단을 인공지능이 대체하는 것이 아니라 병리 전문의를 보조하는 방향으로 사용해야 합니다.
## 의의와 시사점
이 연구의 핵심 의의는 병리 인공지능이 단순한 이미지 분류를 넘어 임상적 ‘이해’를 학습할 수 있다는 것을 보였다는 점입니다. 병리 보고서는 단순한 설명문이 아니라 병리 전문의의 관찰, 판단, 표현 과정이 담긴 기록입니다. PRISM2는 이 텍스트를 질문과 답변 형태로 바꿔 이미지와 연결함으로써, 조직의 형태가 진단으로 어떻게 연결되는지 학습했습니다. 그 결과 이미지에서 텍스트로, 텍스트에서 임베딩으로, 그리고 다시 다양한 임상 과제로 확장되는 일련의 과정이 가능해졌습니다.
임상적으로는 여러 활용 가능성이 열립니다. 병리 전문의가 보고서를 작성할 때 핵심 소견을 미리 채워주는 보조 도구가 될 수 있고, 멀리 떨어진 지역에서 일반 병리의사가 판단을 재확인하는 ‘디지털 세컨드 오피니언’ 역할을 할 수도 있습니다. 또한 고위험 환자를 먼저 찾아내 전문의에게 우선 배정하거나, 유전자 검사나 면역염색이 필요한 환자를 미리 선별하는 데도 활용될 수 있습니다.
미래에는 암 감지뿐 아니라 분자적 특성과 생존 예측을 함께 다루는 병리 기초모델이 더욱 중요해질 것입니다. PRISM2는 이런 방향의 초기 성공 사례로, 대규모 임상 텍스트가 단순한 부가 정보가 아니라 병리 인공지능의 핵심 학습 신호가 될 수 있음을 보여줍니다.
## 이 연구가 중요한 이유
이 연구가 중요한 이유는 기술적 성능 향상만이 아닙니다. 병리 진단은 환자의 치료 방향을 결정하는 중요한 출발점인데, 전문의의 수급은 제한적이고 업무 부담은 커지고 있습니다. PRISM2처럼 다양한 질문에 답할 수 있는 모델이 안전하게 발전한다면, 병리 전문의는 반복적인 작업보다 어려운 판단에 더 집중할 수 있습니다. 특히 희귀암, 전암 병변, 바이오마커, 생존 예측처럼 과거에는 별도의 전문 모델이 필요했던 영역을 하나의 기반 모델에서 다룰 가능성을 보였다는 점에서 중요합니다.
물론 아직은 보조 도구의 가능성을 보여준 단계입니다. 실제 환자 진단에 적용하려면 외부 검증, 오류 분석, 편향 평가, 의료 규제와 윤리 검토가 반드시 뒤따라야 합니다. 그럼에도 PRISM2는 병리 인공지능이 ‘보이는 것을 분류하는 도구’에서 ‘병리 전문의처럼 보고 설명하는 도구’로 나아가는 중요한 전환점이라고 할 수 있습니다.
 |
| 출처: @ye._.vely618 |
