수의학도가 병리 슬라이드 AI를 직접 만들며 배운 것들

• 수의학도가 병리학 실습에서 느낀 문제의식이 AI 도구 개발로 이어진 케이스임

  • 병리학은 조직 슬라이드를 보고 정상 조직과 병변을 비교해 질병 원인을 찾는 분야임
  • 문제는 판독이 숙련도에 많이 의존하고, 특정 세포나 구조물은 특수 염색까지 필요해서 학습 난도가 높다는 점임

• 이 고민이 조직학·병리학 학습 보조 AI인 HiNT 프로젝트로 이어짐

  • 건국대 수의학과, 스마트ICT융합공학과, 컴퓨터공학과 학생들이 팀을 꾸렸고 건국대 학술공모전에서 대상을 받음
  • 목표는 수의대생이 조직 슬라이드를 공부할 때 옆에서 도와주는 일종의 copilot을 만드는 것이었음

• 첫 번째 큰 결정은 분석 대상을 피부가 아니라 간 조직으로 바꾼 것임

  • 피부는 종간 차이가 커서 흥미롭지만, 교육과 실무 양쪽에서 범용성이 높은 건 간 조직이라는 조언을 받음
  • 연구 주제는 재미뿐 아니라 실현 가능성과 사용자 필요에 맞춰야 한다는 꽤 현실적인 교훈이 여기서 나옴

• 진짜 병목은 모델보다 데이터였음

  • Whole Slide Image(WSI) scanner로 조직 슬라이드 전체를 스캔한 이미지를 사용했는데, 용량이 너무 커서 컴퓨터가 멈추려 할 정도였다고 함
  • 팀은 QuPath로 간 조직 사진 속 구조물에 주석(annotation)을 달고, 이걸 모델의 정답지로 넘기는 식으로 학습 데이터를 만들었음
  • 잘못된 구조물이 하나라도 섞이면 모델 정확도가 크게 떨어져서 팀원끼리 교차검증하고 박사급 연구자 검증도 받았음

• 모델 설계도 병리학자의 실제 판독 흐름을 흉내 내는 방향으로 잡음

  • 이미지 전체를 한 번에 분류하는 대신, 저배율에서 큰 구조를 보고 고배율에서 세부 병변을 보는 과정을 모방함
  • 이를 위해 계층적 세그멘테이션(Hierarchical Segmentation)을 도입함
  • ResNet34로 간 소엽의 대략적인 구조를 파악하고, EfficientNet-B4로 세부 병변을 잡는 이중 구조를 설계함

• 구현은 연구용 모델에서 끝나지 않고 실제 사용 환경까지 고려함

  • Hugging Face와 FastAPI를 연동해 학생들이 모바일에서도 판독 결과를 확인할 수 있게 만들었음
  • 단순히 논문용 데모가 아니라 학습자가 쓰는 도구로 만들려 했다는 점이 포인트임

• 이후 서울대병원 융합의학기술원 의생명정보학 연구실 인턴십으로 디지털 병리학 쪽 경험을 확장함

  • 학부 프로젝트에서 쓴 알고리즘이 실제 연구 현장에서는 어떻게 최적화되고 검증되는지 확인함
  • WSI 데이터뿐 아니라 공간전사체(Spatial transcriptomics), 다중 인스턴스 학습(MIL), 멀티모달 분석 같은 접근도 접함
  • 단순히 잘 맞히는 AI가 아니라 병리학자가 믿을 수 있는 설명 가능한 AI(xAI)를 만드는 과정이 중요하다는 점을 배움

• 결론은 꽤 명확함. AI가 수의사를 대체한다기보다 진단 근거를 더 단단하게 만드는 도구가 될 수 있다는 것임

  • 특히 종마다 미세한 차이를 구분해야 하는 수의 병리에서는 도메인 지식을 가진 사람이 AI 개발에 직접 들어가는 게 중요함
  • 의학 지식을 공학적 언어로 번역하는 능력도 모델 성능만큼 중요한 역량으로 드러남

---

기술 맥락

• 이 글에서 중요한 선택은 병리 판독을 단순 이미지 분류 문제로 보지 않았다는 점이에요. 실제 병리학자는 슬라이드를 한 번에 판단하지 않고, 큰 구조를 먼저 본 뒤 세부 병변을 확인하거든요.

• 그래서 팀은 계층적 세그멘테이션을 골랐어요. ResNet34로 간 소엽의 큰 구조를 보고 EfficientNet-B4로 세부 병변을 잡게 한 건, 모델 구조를 사람의 판독 절차에 맞추려는 선택이에요.

• WSI 데이터가 까다로운 이유는 해상도와 용량 때문이에요. 슬라이드 전체를 스캔한 이미지라서 정보량은 풍부하지만, 학부 프로젝트 수준에서는 저장, 처리, 학습 파이프라인 전부가 부담으로 튀어나와요.

• 또 하나 중요한 건 라벨링이에요. 병리 이미지에서는 정답을 다는 사람이 애매한 구조물을 잘못 표시하면 모델도 그대로 잘못 배워요. 그래서 3~4주 동안 주석을 달고 교차검증한 과정이 모델 학습만큼 중요한 작업이었던 거예요.

• 서울대 BMI 연구실에서 접한 공간전사체, 다중 인스턴스 학습, 설명 가능한 AI는 이 프로젝트가 교육용 도구에서 실제 디지털 병리 연구로 넘어갈 때 필요한 확장 포인트예요. 병원 현장에서 쓰려면 정확도뿐 아니라 근거, 검증, 신뢰성이 같이 따라와야 하거든요.