MIT와 ETH Zurich의 연구자들이 DCIS(Ductal carcinoma in situ, 유관상피내암) 단계를 식별하는 AI 모델을 개발했습니다. 이 모델은 유방 조직 이미지의 세포 구성과 상태를 분석하기 위해 간단하고 저렴한 이미징 기술을 사용합니다. 이 접근 방식은 DCIS 진단을 정교하게 하여 과잉 치료를 줄일 수 있는 목적을 가지고 있습니다. 모델의 효과성은 병리학자 평가와 비교하여 검증되었으며 많은 경우에 강력한 일치를 보였습니다.
이 AI 모델은 560개의 조직 샘플 이미지 데이터셋으로 훈련되었으며, 세포를 군집으로 분류하여 특정 세포 상태를 침습성 암의 표지로 인식합니다. 이 방법은 세포의 비율과 배열을 고려함으로써 정확도를 향상시킵니다. 이 연구는 여러 권위 있는 기관의 자금 지원을 받았으며, 세포의 공간적 구성이 정확한 진단에 중요하다는 것을 제안합니다. 이러한 발견은 다른 암과 질병에도 적용될 수 있으며, 연구 결과는 Nature Communications에 게시되었습니다.
DCIS(Ductal Carcinoma In Situ, 유관상피내암)는 유방의 유관에서 발생하는 초기 단계의 비침습성 유방암입니다. 이 상태에서는 암세포가 유관의 내부를 라이닝하고 있는 세포층 내에서 자라나지만 주변 조직으로 퍼지지 않은 상태를 말합니다. DCIS는 유방암 진단의 약 25%를 차지하며, 적절히 치료할 경우 대부분의 경우에서 침습성 유방암으로 발전할 위험을 크게 줄일 수 있습니다.
이 연구의 중요성
진단의 정밀화 및 과잉 치료 감소: DCIS는 그 자체로는 생명을 위협하지 않지만, 어떤 경우에는 침습성 유방암으로 발전할 수 있습니다. 현재 DCIS의 단계와 유형을 정확하게 판단하기 어렵기 때문에 많은 환자들이 필요 이상의 치료를 받는 경우가 많습니다. 이 연구에서 개발된 AI 모델은 조직 이미지를 통해 DCIS의 다양한 단계를 정확하게 식별함으로써 과잉 치료의 필요성을 줄이고 더 타겟팅된 치료 방법을 제공할 수 있습니다.
저비용 및 접근성: 이 AI 모델은 저비용의 이미징 기술을 사용하여 DCIS의 다양한 단계를 식별합니다. 복잡하고 비용이 많이 드는 테스트(예: 단일세포 RNA 시퀀싱)에 의존하지 않고도 유사한 정보를 제공할 수 있으므로, 더 많은 환자들이 적절한 진단을 받을 수 있게 됩니다.
클리닉에서의 응용 가능성: 이 기술이 클리닉에서 사용될 경우, 의사들이 더 간단한 케이스의 진단을 신속하게 처리하고, DCIS가 침습성 암으로 진행될 가능성이 높은 경우에 더 많은 시간을 할애하여 평가할 수 있습니다. 이는 전체적인 치료 효율을 높이고 환자 관리를 개선할 수 있습니다.
과학적 이해의 확장: 이 연구는 세포의 공간적 구성이 DCIS 진단에 중요하다는 새로운 관점을 제공합니다. 이는 암 연구에 있어 새로운 진단 방법과 접근법을 모색하는 데 기여할 수 있으며, 다른 종류의 암이나 신경퇴행성 조건에 대한 연구에도 응용될 수 있습니다.
<이하 광고>