생검 조직 검사 시 속도와 비용 크게 개선할 수 있을 것
변수가 나타날 때 성능이 저하돼 인공지능 기술의 신뢰도가 급격히 낮아지는 문제를 해결할 수 있는 기술이 개발돼 앞으로 인공지능 활용성이 커질 전망이다.
KAIST(한국과학기술원)는 6일 '내외방송'에 보낸 자료에서 "장무석 바이오및뇌공학과 교수 연구팀과 예종철 김재철AI대학원 교수 연구팀이 공동 연구를 통해 인공지능의 신뢰도 문제를 해결할 수 있는 물리적 학습 기반 '영상 복원 딥러닝 기술'을 개발했다"고 밝혔다.
인공지능 딥러닝 기술은 영상 복원 속도가 빠를 뿐만 아니라 정확도도 높지만, 영상 취득 환경에 변화가 생기면 성능이 급격하게 저하되는 치명적인 약점이 있다.
연구팀은 영상 취득 환경에서 발생할 수 있는 변수 대부분이 물리적 법칙을 통해 수학적으로 기술할 수 있다는 점을 토대로 '물리적 법칙과 심층 신경망이 통합된 학습 기법'을 제시했다.
모든 영상 기술이 물리적인 영상 기기를 통해 정보를 취득하는 만큼 이 물리적인 통찰력을 인공지능에 학습시킨 것이다.
연구팀은 이를 통해 변화하는 영상 취득 환경에서 신뢰도 높은 홀로그래피 영상(물체의 그림자 패턴으로부터 물체의 형태를 복원하는 영상 기법)을 복원하는 데 성공했다.
먼저 3차원 공간에서 매우 빠르게 움직이는 적혈구의 회절 영상(확산된 그림자 형상)으로부터 적혈구의 형태를 실시간으로 복원했다.
예를 들어 적혈구가 예상하지 못했던 곳으로 흘러가거나 서로 복잡하게 겹치는 변수가 나타난다면, 빛 전파 이론으로 검산한 후 물리적으로 유효한 신뢰도를 구현하는 것이다.
이외에도 암 진단의 표준기술이라 할 수 있는 생검 조직(생체에서 조직 일부를 메스나 바늘로 채취하는 것)의 영상 복원도 성공해 세포 염색 과정이나 값비싼 현미경이 필요하지 않아 검사 비용 등을 크게 절약할 수 있을 것으로 보인다.
제 1저자인 이찬석 박사과정은 "데이터와 물리 법칙을 동시에 학습하는 '적응형 인공지능 기술'은 홀로그래피 영상뿐만 아니라 초고해상도 영상과 3차원 영상, 비시선 영상(장애물 뒷면을 보는 영상) 등 다양한 계산 영상 기술에 적용될 수 있을 것으로 기대된다"고 말했다.
이 연구는 삼성미래기술육성사업 등의 지원을 받아 수행됐으며 국제학술지인 '네이처 머신 인텔리전스(Nature Machine Intelligence)'에 지난달 17일 출판됐다(논문명: Deep learning based on parameterized physical forward model for adaptive holographic imaging with unpaired data).
