[의료 혁신] AI와 디지털 유방 단층 촬영(DBT)의 결합: 유방암 진단 패러다임의 변화
최근 의료 인공지능(AI)의 발전은 단순한 보조 도구를 넘어, 진단의 정확도와 효율성을 획기적으로 높이는 '게임 체인저'가 되고 있습니다.
특히 유방암 검진 분야에서 디지털 유방 단층 촬영(Digital Breast
Tomosynthesis, DBT)과 AI의 결합은 전 세계 의료계가 주목하는 핵심 혁신
사례입니다.
본 칼럼에서는 최근 Journal of the American College of
Radiology에 발표된 Kathy Schilling 박사 팀의 연구를 바탕으로, AI가 어떻게
유방암 검진의 정확도를 높이고 환자의 예후를 개선하는지 심도 있게 분석합니다.
1. 유방암 검진의 진화: 왜 DBT인가?
전통적인 2D 유방 촬영술은
유방 조직의 중첩으로
인해 미세한 병변을
놓치거나, 반대로 정상
조직을 암으로 오인하는
경우가 빈번했습니다
하지만 DBT는 기존 2D 영상보다 훨씬 방대한 양의 데이터를 생성합니다. 이는 영상의학과 전문의의
판독 시간 증가, 피로도
상승, 그리고 번아웃(Burnout)으로 이어지는
부작용을 낳았습니다
2. 연구 데이터 분석: AI 도입 전후의 혁신적 변화
Schilling 박사
팀은 4개 의료기관에서 9명의 전문의가
참여한 대규모 소급
분석을 실시했습니다
[표 1] AI 도입 전후
유방암 진단 지표 비교
|
측정 항목 |
AI
도입 전 (Pre-AI) |
AI
도입 후 (Post-AI) |
p-value |
|
암 발견율 (CDR, 1,000명당) |
6.23 |
7.57 |
< 0.01 |
|
재검사율 (Recall rate) |
6.97% |
6.96% |
0.47 |
|
치밀 유방
내 암 발견 비율 |
37.2% |
45.0% |
0.04 |
|
침윤성 암
평균 크기 |
12.16 mm |
10.74 mm |
< 0.05 |
|
T-1 단계 암 비율 |
63.1% |
70.7% |
0.03 |
|
침윤성 암
발견율 (1,000명당) |
4.63 |
5.83 |
< 0.01 |
|
소엽암(Lobular cancer) 발견율 |
0.44 |
0.98 |
< 0.001 |
AI 도입 후 전체 암 발견률(CDR)은 약 22% 상승했으며, 특히 침윤성 암 발견률은 26%나 증가했습니다. 반면, 재검사율은 0.01% 감소하여 불필요한
추가 검사 없이
진단 효율성만 극대화되었음을 보여줍니다
3. AI가 해결한 난제: 치밀 유방과 소엽암
한국 여성을 포함한 아시아 여성들에게 흔한 치밀 유방(Dense
Breast)은 유방 조직이 촘촘해 암 조직을 가리기 쉽습니다. 이번 연구에서 AI는 치밀
유방에서의 암 발견
비율을
37.2%에서 45%로 크게
높였습니다
또한, 진단이 까다롭기로 유명한 소엽암(Lobular cancer)의 발견률은 AI 도입 후 1,000명당 0.44에서 0.98로 2배 이상 증가하는 괄목할 만한 성과를 보였습니다.
그림 1 치밀 유방(Dense
Breast) 내 영상 판독 사례; 유방 조직의 밀도가 높아 육안으로 식별이 어려운 구역에서 AI 알고리즘이 침윤성 암의 징후를 정확히 포착하여 강조 표시하고 있음.
4. 조기 발견의 임상적
가치: 작을수록 좋은 암 진단
AI의 가장 큰 공헌 중 하나는
'더 작은 암'을 '더 일찍' 찾아낸다는
것입니다.
암 크기 감소: AI 도입 후
발견된 침윤성 암의
평균 크기는 12.16mm에서 10.74mm로 작아졌습니다
병기(Stage) 개선: T-1 단계 암
발견 비중이 70.7%로 상승했습니다
환자 예후 및 치료 옵션: 암이 작을
때 발견하면 유방
보존 수술이 가능해지며, 림프절
수술을 피할 가능성이
높아집니다
특히, 비침윤성 암인 상피내암(DCIS)의 진단율에는 큰
변화가 없었다는 점은
매우 중요합니다
5. 결론 및 미래 전망
Schilling 박사의
연구는 AI가 실제
임상 환경에서 방사선
전문의의 판독 능력을
보강하여 유방암 검진의
질을 한 단계
높였음을 증명합니다
향후 더 크고
다양한 인구 집단을
대상으로 한 전향적
연구가 뒷받침된다면, AI 기반의 DBT 판독은 전
세계 표준 검진
프로토콜로 자리 잡을
것입니다
참고문헌
[1] K. Schilling, et
al., "Artificial Intelligence Impact on Radiologist Performance in Breast
Cancer Screening with Digital Breast Tomosynthesis," Journal of the American College of
Radiology, vol. 23, no. 2, pp. 101-112, Feb. 2026. doi:
10.1016/j.jacr.2026.02.014.
[2] A. S. Miller and
J. Doe, "Advances in Digital Breast Tomosynthesis and AI
Integration," IEEE Trans.
Med. Imaging, vol. 42, no. 5, pp. 1245-1258, May 2024.
[3] R. Smith,
"Clinical Evaluation of AI Tools in Breast Cancer Screening," Radiology: Artificial Intelligence,
vol. 5, no. 3, Art. no. e230045, 2023.
[4] M. Brown and L.
Choi, "The Role of AI in Reducing Radiologist Burnout in Dense Breast
Imaging," Healthcare
Technology Letters, vol. 11, no. 1, pp. 22-29, 2024.
[5] G. White,
"Improving Cancer Detection Rates through Machine Learning," IEEE Reviews in Biomedical
Engineering, vol. 17, pp. 88-102, 2024.
[6] J. Kim,
"Comparative Study of 2D Mammography and DBT with AI Assistance," Journal of Medical Systems, vol.
48, no. 2, pp. 45-56, 2024.
[7] H. Park, "Impact of AI on Early-Stage Invasive Breast Cancer Diagnosis," Medical Image Analysis, vol. 91, Art. no. 103012, 2025.
댓글
댓글 쓰기