독일과 이탈리아 연구진이 첨단 암 치료법인 탄소이온 치료의 빔 계산 속도를 획기적으로 높이는 인공지능 기술을 개발했다. 독일 GSI 중이온 연구센터와 이탈리아 로마 사피엔자대학교 공동 연구팀이 개발한 이 AI 시스템은 기존 몬테카를로 방식과 동일한 수준의 정확도를 유지하면서도 단일 빔 계산 속도를 약 400배 향상시켰다. 이번 연구는 향후 환자 상태 변화에 실시간으로 대응하는 적응형 암 치료의 가능성을 보여주었다.

정확하지만 너무 느린 탄소이온 치료 계획의 딜레마

해당 연구 논문에 따르면, 탄소이온 치료는 일반 방사선 치료보다 암세포를 더 정밀하게 공격할 수 있는 최신 암 치료 기술이다. 탄소이온은 몸속을 지나가다가 특정 깊이에서 에너지를 한꺼번에 쏟아내는 특성이 있다. 이를 브래그 피크 현상이라고 부른다. 마치 화살이 과녁에 꽂히듯이 암 조직에만 집중적으로 에너지를 전달하고, 주변 정상 조직은 거의 건드리지 않는다.

하지만 이 치료법에는 큰 문제가 있었다. 탄소이온이 인체 조직을 통과할 때 복잡한 물리적 반응이 일어나기 때문에, 정확한 치료 계획을 세우려면 매우 복잡한 계산이 필요하다. 현재 가장 정확한 계산 방법은 몬테카를로 시뮬레이션이라는 기법이다. 이 방법은 탄소이온이 인체 조직과 어떻게 상호작용하는지를 하나하나 시뮬레이션한다.

문제는 이 계산에 너무 오랜 시간이 걸린다는 점이다. GPU를 활용한 빠른 몬테카를로 프로그램인 FRED를 사용해도 빔 하나를 계산하는 데 14초가량 소요된다. 실제 치료 계획에는 수천 번의 빔 계산이 필요하므로, 전체 계획을 세우는 데 상당한 시간이 걸린다. 이 때문에 환자의 상태가 시시각각 변하는 상황에 즉각 대응하기가 어려웠다.

그래서 현재 병원에서는 펜슬빔 알고리즘이라는 간단한 계산법을 사용한다. 이 방법은 빠르지만 뼈와 같이 밀도가 다른 조직이 섞여 있는 부위에서는 정확도가 떨어진다. 결국 빠르거나 정확하거나 둘 중 하나를 선택해야 하는 상황이었다.

세 개의 AI 모델이 협력하여 치료 값 산출

연구팀은 DoTA라는 AI 모델을 탄소이온 치료에 맞게 개선했다. DoTA는 최근 양성자 치료에서 뛰어난 성과를 보인 AI 기술이다. 연구팀은 이를 기반으로 C-DoTA라는 새로운 시스템을 만들었다.

C-DoTA는 세 개의 AI 모델로 구성된다. 첫 번째 모델인 C-DoTA-d는 조직이 흡수하는 방사선량을 예측한다. 두 번째와 세 번째 모델인 C-DoTA-α와 C-DoTA-β는 생물학적 효과를 계산하는 데 필요한 값들을 예측한다. 같은 양의 방사선이라도 종류에 따라 세포에 미치는 영향이 다르기 때문에, 이 생물학적 효과 계산이 매우 중요하다.

연구팀은 특히 α와 β 모델에서 CT 영상과 예측 선량 데이터를 트랜스포머 구조 내에서 교차 주의 기법으로 결합해 학습했다. C-DoTA-α와 C-DoTA-β 모델은 C-DoTA-d가 예측한 선량 정보를 입력으로 사용하여, 세 모델이 순차적으로 협력하는 구조다. 이를 통해 AI는 탄소이온의 복잡한 물리적 특성과 생물학적 영향을 효과적으로 학습할 수 있었다.

두경부암 환자 225명 데이터로 학습, 약 99% 정확도 달성

연구팀은 1997년부터 2008년까지 GSI에서 탄소이온 치료를 받은 두경부암 환자 225명의 데이터를 활용했다. 이 중 187명의 데이터로 AI를 학습시키고, 나머지 38명의 데이터로 성능을 검증했다. 학습에는 약 7만 개의 빔 데이터가 사용되었고, 검증에는 약 1만 4천 개의 빔 데이터가 활용되었다.

모든 정답 데이터는 FRED라는 GPU 기반 몬테카를로 프로그램으로 만들어졌다. FRED는 기존 CPU 기반 몬테카를로 계산보다 훨씬 빠르지만, 여전히 실시간 치료 계획에 사용하기에는 제한이 있었다.

성능 평가 결과는 매우 우수했다. 감마 분석이라는 평가 방법으로 측정한 결과, 중앙값 기준으로 흡수선량은 99.76%, α 값은 99.14%, β 값은 98.74%의 정확도를 보여 약 99% 수준의 정확도를 달성했다. 뼈와 조직이 복잡하게 섞여 있는 어려운 경우에도 최소 85% 이상의 정확도를 유지했다. 이는 AI가 대부분의 경우 몬테카를로 계산과 거의 동등한 결과를 내놓는다는 의미다.

연구팀은 탄소이온 빔의 급격한 에너지 변화 특성을 AI가 잘 학습하도록 특별한 학습 방법을 개발했다. 일반적인 평균제곱오차 방식에 세 가지 추가 기법을 더했다. 오차가 큰 부분에 집중하는 마스크 방식, 깊이 방향 변화를 학습하는 방식, 고선량 영역을 중점적으로 학습하는 방식이다. 이 방법을 적용한 후 α와 β 모델의 최저 정확도가 약 18% 향상되었다.

빔 하나당 0.032초 만에 계산, 기존 방식보다 약 400배 빠름

C-DoTA의 가장 큰 장점은 압도적인 속도다. 빔 하나를 계산하는 데 평균 0.032초가 걸린다. 몬테카를로 FRED의 14초와 비교하면 약 437배 빠른 속도다. 흡수선량만 계산할 때는 0.007초로 더욱 빨라진다. 환자의 신체 구조가 복잡하든 단순하든, 빔의 에너지가 높든 낮든 계산 시간은 거의 일정하다.

이 속도 향상은 임상적으로 중요한 의미를 갖는다. 치료를 받는 동안 환자의 자세나 호흡으로 인해 장기 위치가 변할 수 있다. 빔 단위 계산 속도가 크게 향상됨에 따라, 향후 이러한 변화에 실시간으로 대응하는 적응형 치료 계획의 가능성이 열렸다. 여러 개의 그래픽 처리 장치를 함께 사용하면 전체 치료 계획 계산도 크게 단축될 것으로 기대된다.

연구팀은 AI 예측의 안정성도 검증했다. 몬테카를로 드롭아웃이라는 기법으로 같은 데이터에 대해 30번 반복 예측했을 때, 결과의 변동폭이 평균 0.5% 미만으로 나타났다. 이는 C-DoTA가 매번 일관되고 신뢰할 수 있는 결과를 제공한다는 뜻이다.

개념 증명 단계, 임상 적용 위해 추가 검증 필요

이번 연구는 개념 증명 단계로, AI가 탄소이온 치료에서 몬테카를로 수준의 정확도를 유지하면서도 빔 계산 속도를 크게 높일 수 있음을 보여줬다. 특히 물리적 선량뿐 아니라 생물학적 효과 계산에 필요한 파라미터까지 예측하는 최초의 AI 시스템이라는 점에서 의미가 크다.

하지만 실제 임상 적용을 위해서는 아직 해결해야 할 과제들이 있다. 이번 연구는 두경부암 환자만을 대상으로 했고, 빔의 각도도 한 가지로 고정했으며, 에너지 범위도 115~260 MeV/u로 제한했다. 실제 임상에서는 폐암, 간암, 전립선암 등 다양한 암 종류와 신체 부위에 적용해야 한다.

연구팀은 앞으로 다양한 해부학적 부위, 빔 각도, 치료 시설의 장비로 연구를 확대할 계획이다. 또한 α와 β 값의 생물학적 정확성을 실험실 데이터와 비교 검증하는 작업도 필요하다. C-DoTA가 예측하지 못하는 저선량 영역(평균 8%의 복셀)이 실제 치료 계획에 미치는 영향도 추가로 연구해야 한다.

연구팀은 구체적인 후속 연구 계획을 밝혔다. 먼저 예측 기준선을 현재 1%에서 임상에서 요구하는 0.5%로 낮출 예정이다. 또한 실제 탄소이온 치료 센터와 협력하여 다양한 빔라인과 환자군에서 시스템의 안정성을 테스트할 것이다. 마지막으로 TRiP98 같은 치료 계획 소프트웨어에 C-DoTA를 통합하여 처음부터 끝까지 전체 치료 계획의 품질을 평가할 계획이다.

FAQ (※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q1. C-DoTA는 기존 치료 계획과 무엇이 다른가요?

C-DoTA는 인공지능으로 탄소이온 치료의 빔별 방사선량을 계산합니다. 기존의 정확한 몬테카를로 방법은 빔 하나당 14초가 걸리지만 C-DoTA는 0.032초로 약 400배 빠릅니다. 현재 병원에서 쓰는 간단한 펜슬빔 알고리즘보다 훨씬 정확하면서도 빠른 계산이 가능합니다.

Q2. 생물학적 효과란 무엇이며 왜 중요한가요?

같은 양의 방사선이라도 종류에 따라 세포에 미치는 영향이 다릅니다. 탄소이온은 일반 X선보다 암세포를 더 강력하게 파괴하며, 몸속 위치에 따라 그 효과가 달라집니다. C-DoTA는 이런 생물학적 효과를 나타내는 α와 β 값을 자동으로 계산해주므로 더 정밀한 치료 계획을 세울 수 있습니다.

Q3. 실제 환자 치료에는 언제 사용할 수 있나요?

현재는 개념 증명 단계로 두경부암 환자 데이터로만 검증되었습니다. 실제 임상 적용을 위해서는 폐암, 간암 등 다른 암 종류에 대한 검증과 여러 병원 장비에서의 테스트, 치료 계획 소프트웨어 통합 등이 필요합니다. 연구팀이 탄소이온 치료 센터들과 협력하여 이 과정을 진행하고 있습니다.

해당 기사에 인용된 논문 원문은 arvix에서 확인 가능하다.

논문명: An AI dose engine for fast carbon ion treatment planning

이미지 출처: 이디오그램 생성

해당 기사는 챗GPT와 클로드를 활용해 작성되었습니다.