위암은 세계에서 유병률 5위, 사망률 4위의 암이다[1]. 유병률은 아시아 지역에서 높으며 남성이 여성보다 2배 높다. 위암의 예후는 매우 좋지 않아 5년 생존율은 40% 미만이며 진행성 위암의 경우 30% 미만이나, 조기 위암의 경우 90% 이상으로 위암의 조기 발견은 매우 중요하다[2,3]. 위암의 증상은 대부분 비특이적이고, 주로 내시경을 통해 발견되며 조직검사를 통한 병리학적으로 진단된다[4]. 이어서 전산화 단층촬영(computerized tomography, CT) 영상을 통해 병기를 결정하고 치료법을 결정하게 된다. 조기 위암의 경우 내시경을 통한 근치적 절제술을, 진행성 위암의 경우 병기에 따라 수술을 통한 근치적 절제술 및 항암화학요법, 방사선 치료 등이 고려될 수 있다[5,6]. 게다가 몇몇 종류의 위암의 경우 면역 치료나 분자 표적 치료 등이 좋은 예후를 보일 수 있다[7].

위암의 진단과 치료의 과정은 내시경 의사, 병리과 의사, 영상의학과 의사에 의해 판단되며 이는 의사의 경험, 영상의 질, 객관화 지표, 관찰자 간 불일치성 등에 의해 영향을 받을 수 있다[8-10]. 인간의 인지능력을 모방한 인공지능(artificial intelligence, AI)은 영상을 통한 방대한 데이터를 컴퓨터와 알고리듬을 통해 빠르게 처리하고 분석할 수 있으며 이는 위암의 진단과 치료에 있어 도움을 줄 수 있다.

인공지능은 내시경 영역에서 위암의 인지 및 분류[11-23], 침윤 깊이(invasion depth)의 예측[20,24-26], 절제 범위(resection margin)를 결정하는 데 도움을 줄 수 있다[27,28]. 병리조직검사 영역에서 인공지능은 판독 시간의 단축시키고 human epidermal growth factor receptor 2 (HER2), microsatellite instability (MSI) 등 분자 유형을 분류하는 데 도움을 줄 수 있고[29-37], 영상의학 영역에서는 위암의 병기 설정(TNM staging)에 도움을 줄 수 있으며[38-46], 위암의 예후 예측이나 항암치료 반응 평가를 위해서도 사용될 수 있다[47-53]. 현재 다양한 영상 기술과 알고리듬의 발전을 통해 특정 조건에서 이러한 인공지능의 능력은 인간 전문가에 비해 열등하지 않을 정도로 발전하고 있다.

AI-assisted endoscopy of gastric cancer

내시경 영역에서 인공 지능(AI-assisted endoscopy of gastric cancer)은 현재 가장 활발하게 연구되고 있는 분야이다. Table 1에 현재 내시경 영역에서 연구된 인공지능에 대해 정리하였다.

Table 1 . The Application of AI in Endoscopy of Gastric Cancer.

Reference	Aim	Data	Method	Result
Miyaki et al. (2013) [11]	Identify GC	46 patients; ME-FICE	SIFT features; SVM	Acc: 85.9%, Sen: 84.8%, Spe: 87.0%
Miyaki et al. (2015) [12]	Identify GC	95 patients; ME-BLI	SIFT features; SVM	SVM outputs: 0.846 (cancer), 0.381 (redness), 0.219 (surrounding)
Zhang et al. (2017) [13]	Classify gastric precancerous diseases	1,331 images; WLI	GPDNet	Acc: 88.9%
Hirasawa et al. (2018) [14]	Identify and segment GC	2,716 lesions; WLI	SSD	Sen: 92.2%, PPV: 30.6%
Liu et al. (2018) [15]	Identify GC	1,120 images; ME-NBI	InceptionV3	Acc: 85.9%, Sen: 84.8%, Spe: 87.0%
Cho et al. (2019) [16]	Classify gastric neoplasm	1,469 patients; WLI	Inception-ResNet-v2	Acc: 76.4%
Lee et al. (2019) [17]	Classify gastric neoplasm	787 images; WLI	ResNet-50	Acc: 96.5% (normal vs. cancer), 92.6% (normal vs. ulcer), 77.1% (cancer vs. ulcer)
Luo et al. (2019) [18]	Identify and segment GC	84,424 patients; 6 centers; WLI	DeepLabV3+	Acc: 92.8%, Sen: 94.2%, Spe: 92.3%, PPV: 81.4%, NPV: 97.8%
Hsu et al. (2019) [19]	Identify GC	473 images; ME-NBI	SSSNet	Acc: 91.7%, Sen: 90.0%, Spe: 93.3%, PPV: 93.1%
Yoon et al. (2019) [20]	Identify and segment GC	11,539 images; WLI	Lesion-based VGG	AUC: 0.981
Nguyen et al. (2020) [21]	Identify pathological site	7,894 images; WLI	Ensemble of deep-learning models	Acc: 70.7%
Ikenoyama et al. (2021) [22]	Identify and segment GC	16,524 images; WLI	SSD	Sen: 58.4%, Spe: 87.3%, PPV: 26.0%, NPV: 96.5%
Hu et al. (2021) [23]	Identify GC	295 patients; 3 centers; ME-BLI	VGG19	Acc: 77.0%, Sen: 79.2%, Spe: 74.5%
Kubota et al. (2012) [24]	Estimate tumor invasion depth	344 patients; WLI endoscopy	Back propagation	Acc: 77.2% (T1), 49.1% (T2), 51% (T3), 55.3% (T4)
Zhu et al. (2019) [25]	Estimate tumor invasion depth	993 patients; WLI endoscopy	ResNet	AUC: 0.94, Acc: 89.16%, Sen: 76.47%, Spe: 95.56%, PPV: 89.66%, NPV: 88.97% (T1a/T1b vs. deeper than T1b)
Yoon et al. (2019) [20]	Estimate tumor invasion depth	11,539 images; WLI endoscopy	Lesion-based VGG	AUC: 0.851 (T1a vs. T1b)
Nagao et al. (2020) [26]	Estimate tumor invasion depth	1,084 patients; WLI, NBI, Indigo endoscopy	SSD	Acc: 94.5% (WLI), 94.3% (NBI), 95.5% (Indigo)
An et al. (2020) [27]	Delineate resection margin for EGC	1,244 images and ESD videos	UNet++	IoU: 67.6% (image), 70.4% (video); Sen: 81.7% (image), 89.5% (video)
Ling et al. (2021) [28]	Delineate resection margin for EGC	1,670 images and ESD videos	UNet++	Acc: 82.7% (differentiated), 88.1% (undifferentiated)

AI, artificial intelligence; GC, gastric cancer; ME-FICE, magnifying endoscopy with flexible spectral imaging color enhancement; SIFT, scale-invariant feature transform; SVM, support vector machine; Acc, accuracy; Sen, sensitivity; Spe, specificity; ME-BLI, magnifying endoscopy with blue laser imaging; WLI, white light imaging; GPDNet, Gastric Precancerous Disease Network; SSD, single-shot multi-box detector; PPV, positive predictive value; ME-NBI, magnifying endoscopy with narrow-band imaging; NPV, negative predictive value; SSSNet, small-scale-aware Siamese network; AUC, area under the receiver-operating characteristic curve; Indigo, indigo-carmine dye contast imaging; EGC, early gastric cancer; ESD, endoscopic submucosal dissection; IoU, Intersection over Union..

위암은 만성 위축성 위염, 장상피 화생, 이형성증을 걸쳐 최종적으로 암으로 진행하는 것으로 알려져 있다[54,55]. 진행성 위암의 경우 5년 생존율이 30% 미만인데 반해 조기 위암의 경우 이보다 훨씬 높은 90% 이상이다[2,3]. 따라서 내시경을 통한 위암의 조기 발견이 매우 중요하다. 하지만 형태, 위치 등에 따라 위암을 놓칠 확률은 내시경 시술자에 따라 4.6%에서 25.8%로 개인차가 크며 이는 경험이 적은 시술자에게 더 자주 발생한다[10,56-58]. Miyaki 등[11]은 고전적인 machine-learning 기술인 scale-invariant feature transfer (SIFT)와 보조적인 support vector machine (SVM)을 이용하여 확대-영상증강내시경(magnifying endoscopy with flexible spectral imaging color enhancement, ME-FICE) 영상으로 85.9%의 정확도, 84.8%의 민감도와 87.0%의 특이도를 확인했다. 이 연구는 위암의 진단에서 인공지능의 잠재력을 보여주지만 인간이 직접 컷오프 값을 설정했고 데이터 크기가 작다는 제한점이 있었다. Hirasawa 등[14]의 연구는 single-shot multibox detector (SSD)를 사용하여 추출과 학습을 결합한 deep-learning을 기반으로 한 최초의 연구이며 자동으로 위암 병소를 발견함에 있어 92.2%의 민감도를 획득했다. 허나 위축성 위염이나 장상피 화생을 위암으로 진단하는 30.6%의 낮은 양성 예측도를 보여 이 또한 한계가 있었다. Luo 등[18]은 Gastrointestinal Artificial Intelligence Diagnostic System (GRAIDS)을 개발하고 6개의 기관, 84,424명의 환자에서 1,036,496개 내시경 영상을 사용하여 정확도 92.8%, 민감도 94.2%, 특이도 92.3%, 양성 예측도 81.4%, 음성 예측도 97.8%를 획득하였으며 이는 내시경 전문가와 비슷한 수준이었다.

위암 침윤의 깊이는 위암 치료에 있어서 매우 중요한 인자이며 점막이나 점막하층에 국한된 경우 내시경적 절제술과 같은 최소 침습 치료가 가능하게 해주고 불필요한 수술을 줄일 수 있게 해준다. 하지만 육안으로 확인하는 내시경 검사상 침윤 깊이의 예측은 매우 어려운 경우가 많으며 침습적인 시술을 통한 병리학적 검증만이 유일한 방법이다. 따라서 침윤 깊이 예측에 대한 좀 더 정확한 검사의 필요성이 강조되고 있다. Kubota 등[24]은 back propagation 알고리듬을 사용하여 침윤 깊이를 예측했으며 진단 정확도는 T1, T2, T3, T4 위암에서 각각 77.2%, 49.1%, 51%, 55.3%였다. T1a (침윤 깊이 점막층까지 침윤)와 T1b (침윤 깊이 점막하층까지 침윤)에 대한 정확도는 각각 68.9%, 63.6%로 이는 내시경 전문가와 비슷한 수준이었다. 하지만 T2 이상의 진행성 병변에 대해서는 정확도가 감소하는 한계가 있었다. Zhu 등[25]은 T1a와 T1b를 P0, T2 이상을 P1으로 나누고 이에 대한 790개의 영상을 ResNet에 학습시켜 내시경 전문가보다 더 높은 수준인 area under the receiver-operating characteristic curve (AUC) 0.94를 달성했다. Yoon 등[20]은 lesion-based visual geometry group (VGG)를 적용하여 T1a와 T1b를 구분하는 데 AUC 0.851을 달성하였으며 부정확한 예측이 미분화 암과 높은 관련이 있음을 확인했다. Nagao 등[26]은 더 나아가 narrow band imaging (NBI)를 사용한 영상증강내시경, indigo-carmine을 이용한 색소내시경까지 인공지능 영역을 확대하여 백색광 내시경에서 94.5%, NBI에서 94.3%, indigo-carmine에서 95.5%의 정확도를 달성했다.

내시경 절제술은 조기 위암의 치료에 있어 최소 침습으로 근치적 절제술을 할 수 있는 표준 치료이다[5]. 이 때 병변 경계에 대한 정확한 설정은 내시경 절제술에 있어 매우 중요한 첫 번째 과정이다. An 등[27]은 536명의 환자에게서 확보한 백색광과 색소내시경의 1,244개의 영상과 동영상을 deep-learning 모델로 설정하여 백색광 85.7%, 색소내시경 88.9%의 정확도를 확보했다. Ling 등[28]은 deep-learning 기반 시스템을 개발하여 병변 경계 설정에 대해 분화 암에서 82.7%, 미분화암에서 88.1%의 정확도를 달성했는데 이는 내시경 전문가보다 더 높은 수준이었다.

AI-assisted pathology of gastric cancer

위암의 명확한 진단은 조직검사를 통해 얻어진 전체 슬라이드 영상(whole slide imaging, WSI)의 병리과 의사에 의한 육안적 판독에 의해 이뤄진다[59]. 하지만 위암 병변의 다양한 크기와 다수의 WSI는 병리과 의사에게 장시간의 집중력을 요하게 된다. 인공지능은 자동으로 정밀하고 신속한 병리학적 검사를 시행하는데 도움을 줄 수 있을 것으로 생각되며 이에 대한 다양한 연구가 이루어졌다(Table 2). 위암 조직은 일반적으로 다수의 일반 조직도 포함하고 있으며 WSI 영상은 컴퓨터가 직접 처리하기엔 너무 크기 때문에 일반적으로 이를 여러 구역으로 먼저 자르고 각 구역을 분류한 다음 각 구역 레벨에서의 예측을 기반으로 전체 슬라이드를 예측하게 된다. 관건은 WSI의 가장 대표적인 구역 레벨을 어떻게 설정하고 이를 얼마나 효율적으로 통합할 수 있는가에 달려 있다. Li 등[29]은 GastricNet 이라는 모델을 제안했으며 이는 위암 가능성이 높은 10개의 구역을 지정하고 이에 대해 점수를 부여하여 100%에 달하는 정확도를 보여주기도 했다. HER2는 최근 가장 주목받고 있는 위암 예측의 바이오마커이나 WSI를 통해 판독하는 데는 많은 시간이 소요되고 면역화학염색은 가격이 높으며 일반적인 hematoxylin and eosin (H&E) 염색으로는 HER2를 확인하기 힘들다[60,61]. 이러한 점을 극복하기 위해 Sharma 등[33,34]은 graph-based model, 9-layer convolutional neural network (CNN)를 사용하여 H&E 염색에서 HER2를 구분하고자 하였다. MSI는 위암의 면역 치료를 결정하는 데 있어 매우 중요한 인자 중 하나이다. Kather 등[35]과 Valieris 등[36]이 ResNet-18, CNN + RNN을 통해 H&E WSI로 MSI 상태를 예측하는 데 활용하였다. 이밖에도 Chen 등[37]은 ResNet-18을 이용하여 위암의 면역 미세환경 아형을 분류하였으며 면역 치료에 있어 인공지능의 가능성을 제시했다.

Table 2 . The Application of AI in Pathology of Gastric Cancer.

Reference	Aim	Data	Method	Result
Li et al. (2018) [29]	Identify GC	700 slices; pathological image	GastricNet	Acc: 97.9% (patch), 100% (slice)
Li et al. (2018) [30]	Identify and segment GC	700 slices; pathological image	GT-Net	F1 score: 90.9%
Sun et al. (2019) [31]	Identify and segment GC	500 images; pathological image	Multi-scale embedding networks	Acc: 81.6 (pixel), mIoU: 82.65%
Wang et al. (2019) [32]	Identify GC	608 slices; pathological image	RMDL	Acc: 86.5%
Sharma et al. (2016) [33]	Subtype of HER2	11 slices; H&E WSI	Graph-based model	Acc: 58.47%
Sharma et al. (2017) [34]	Subtype of HER2	11 slices; H&E WSI	9-layer CNN	Acc: 69.90%
Kather et al. (2019) [35]	Subtype of MSI	1,616 patients; H&E WSI; multicenter	ResNet-18	Acc: 84% (TCGA-CRC-DX), 77% (TCGA-CRC-KR), 84% (DACHS), 69% (KCCH)
Valieris et al. (2020) [36]	Subtype of MSI	1,616 patients; H&E WSI	CNN + RNN	Acc: 81%
Chen et al. (2021) [37]	Immune subtype	808 patients; H&E WSI	ResNet-18	Acc: 80.39% (validation), 76.47% (test)

AI, artificial intelligence; GC, gastric cancer; Acc, accuracy; mIoU, mean Intersection over Union; RMDL, recalibrated multi-instance deep learning; HER2, human epidermal growth factor receptor 2; H&E WSI, hematoxylin and eosin-stained whole slide imaging; CNN, convolutional neural network; MSI, microsatellite instability; RNN, recurrent convolutional neural network..

AI-assisted radiology of gastric cancer

위암의 영상 의학적 평가에서 인공지능의 역할은 최근 활발하게 연구되고 있다(Table 3). 위암의 정확한 병기 설정은 위암의 치료 및 예후를 결정하는 매우 중요한 단계이다. CT는 위암의 수술 전 병기 설정에 가장 널리 활용되는 방법이지만 T staging에서 CT의 정확도는 77.8%에서 93.5%로 일정하지 않다[62,63]. 또한 T4a 위암의 CT를 통한 영상의학과 의사의 진단 정확도는 76.6%로 알려져 있다[64]. Wang 등[38]은 T1, T2와 T3, T4 위암을 구분하기 위해 arterial-phase-based radiomics model을 이용하여 training set와 test set에서 각각 AUC 0.899, 0.825를 보여주었다. Sun 등[39]은 T4a 위암에서 CT-based deep-learning radiomics를 이용하여 training set에서 AUC 0.90, 두 번의 test set에서 각각 0.87, 0.90을 달성했다. N staging은 림프절 전이가 없는 N0, 1–2개의 림프절 전이 N1, 3–6개의 림프절 전이 N2, 7–15개의 림프절 전이 N3a 그리고 15개를 초과하는 림프절 전이 N3b로 분류된다[65]. CT는 수술 전 N staging에 주로 사용되는 방법이지만 CT에서 영상의학과 의사의 N staging의 정확도 또한 50–70%로 그다지 높지 않다[66]. Dong 등[40]은 deep-learning radionomic nomogram을 활용한 수술 전 CT 영상에서 외부 검증, 국제 검증 data set에서 각각 AUC 0.797, 0.822의 인상적인 변별력을 보여주었다. 여기에 더해 Li 등[41]은 dual energy CT 기반의 deep learning radionomics를 적용해서 0.82의 AUC를 달성했다. 또한 Jin 등[42]은 ResNet-18을 활용해서 1,699명의 환자의 data set을 적용, 0.876의 median AUC를 보여주었다. 복막 전이(peritoneal metastasis, PM)는 위암에서 가장 흔한 stage IV의 형태 중 하나이다[67]. 복막 전이 환자는 완전 절제(R0 resection) 가능성이 낮아 수술이 권장되지 않는다. CT는 수술 전 복막 전이 여부를 판단하는 가장 흔한 비침습적 검사이지만 사람의 눈으로 잠복 복막 전이(occult PM)를 배제하기 어렵다. Dong 등[43]은 4개의 기관에서 수집한 554명의 잠복 복막 전이 환자의 CT에서 radionomics를 활용하여 잠복 복막 전이를 예측하는 데 0.928–0.920의 AUC를 달성했다. Huang 등[44]은 CNN model에 544명의 CT를 적용하여 AUC 0.900, 민감도 81.0%, 특이도 87.5%를 보여주었다. Jiang 등[45]은 PMetNet을 활용해서 3개 기관 1,978명의 CT에서 AUC 0.920–0.946, 민감도 75.4–87.5%, 특이도 92.9–98.2%를 달성했다. Chromosomal instability (CIN)는 전체 위암의 분자 유형 중 절반 가량을 차지하고 있는 것으로 알려져 있다[68]. CIN을 확인하는 고전적인 방법은 침습적인 조직검사와 복합적인 유전적 분석을 필요로 한다. 최근에는 방사선 유전학의 발달로 위암의 분자 유형을 구분하는 비침습적인 영상 의학적 방법이 소개되고 있다. Lai 등[46]은 58명의 CT에서 radionomics를 이용하여 AUC 0.89로 CIN을 구분해냈다. 이는 인공지능이 비침습적 방법을 통해 위암의 분자 유형을 구분하는 데 도움이 될 수 있는 가능성을 시사했다.

Table 3 . The Application of AI in Radiology of Gastric Cancer.

Reference	Aim	Data	Method	Result
Wang et al. (2020) [38]	Estimate tumor invasion depth	244 patients; CT	Radiomics	AUC: 0.899 (train), 0.825 (test) (T2 vs. T3/4)
Sun et al. (2020) [39]	Estimate tumor invasion depth	572 patients; CT	Deep-learning radiomics	AUC: 0.87 (test1), 0.90 (test2) (T4)
Dong et al. (2020) [40]	Predict lymph-node metastasis	730 patients; CT, multicenter	Deep-learning radiomics	C-index: 0.797 (external), 0.822 (international)
Li et al. (2020) [41]	Predict lymph-node metastasis	204 patients; Dual-energy CT	Deep-learning radiomics	AUC: 0.82
Jin et al. (2021) [42]	Predict lymph-node metastasis	1,699 patients; CT	ResNet-18	Median AUC: 0.876
Dong et al. (2019) [43]	Identify occult peritoneal metastasis	554 patients; four centers; CT	Radiomics	AUC: 0.928–0.920
Huang et al. (2020) [44]	Identify occult peritoneal metastasis	544 patients; CT	CNN	AUC: 0.900, Sen: 81.0%, Spe: 87.5%
Jiang et al. (2021) [45]	Identify occult peritoneal metastasis	1,978 patients; three centers; CT	PMetNet	AUC: 0.920–0.946, Sen: 75.4–87.5%, Spe: 92.9–98.2%
Lai et al. (2019) [46]	Radiogenomics; subtype of CIN	58 patients; CT	Radiomics	AUC: 0.89, Acc: 88.9%, Spe: 88.9%, Sen: 88.9%

AI, artificial intelligence; CT, computerized tomography; AUC, area under the receiver-operating characteristic curve; C-index, concordance index; CNN, convolutional neural network; Sen, sensitivity; Spe, specificity; CIN, chromosomal instability; Acc, accuracy..

AI-assisted prognosis prediction of gastric cancer

인공지능의 발전은 항암치료의 반응 평가와 예후 예측에도 그 영역을 확대하고 있다(Table 4). 항암치료는 근치적 절제술을 할 수 없는 환자들의 기대 수명을 연장할 수 있는 치료다. 하지만 환자 개개인은 같은 항암치료에 대해 서로 다른 반응을 보일 수 있다[69]. Tan 등[47]은 V-net-based model을 적용한 delta radionomics를 활용하여 항암치료 반응을 평가하는 데 시험단계에서 AUC 0.728, 외부 검증에서 AUC 0.828을 보여주었다. 병기는 환자의 예후를 결정하는 데 중요한 인자이지만 같은 병기의 환자라도 다양한 생존 기간을 보여줄 수 있다. Cox 회귀분석은 이런 생존 기간을 분석하는 데 고전적으로 사용된 방법이다. Hyung 등[49]은 환자의 나이, 성별, 과거력, 위암의 깊이, 림프 전이의 개수, 원격 전이 여부, 절제 범위 등의 특성을 five-layer neural network에 적용해서 Cox 회귀분석을 뛰어넘는 83.5% 정확도의 5년 생존율을 예측했다. Zhang 등[50]은 CT에 ResNet-based model을 적용, 진행성 위암 환자의 전반적인 생존율을 예측해서 concordance index (C-index) 0.78을 달성했다. Jiang 등[51]은 deep-learning 기반의 DeLIS를 제안해서 수술 전 CT를 활용해 전반적인 C-index 0.792–0.802를 보여주었다. 인공지능을 활용한 예후 예측은 병리학적 영역에서도 연구되었다. Meier 등[52]은 면역조직화학 염색 조직의 마이크로 어레이를 GoogLeNet에 적용하여 immune-related CNN score가 예후 예측에 도움이 될 수 있음을 제시했다. Wang 등[53]은 1,164명의 림프절 WSI를 U-net, ResNet에 적용, N stage만을 통해서 위험비 2.04, C-index 0.694를 달성했다.

Table 4 . The Application of AI in Prognosis Prediction of Gastric Cancer.

Reference	Aim	Data	Method	Result
Tan et al. (2020) [47]	Predict chemotherapy response	116 patients	Delta radiomics	Acc: 0.728–0.828
Joo et al. (2019) [48]	Predict molecular drug response	GDSC, CCLE, TCGA dataset	DeepIC50
Hyung et al. (2017) [49]	Prognosis prediction	1,549 patients; clinicopathologic factors	Five-layer neural network	AUC: 0.844–0.852 (five-year survival)
Zhang et al. (2020) [50]	Prognosis prediction	640 patients; CT	ResNet	C-index: 0.78 (OS)
Jiang et al. (2021) [51]	Prognosis prediction	1,615 patients; CT	S-net	C-index: 0.792 (DFS), 0.802 (OS)
Meier et al. (2020) [52]	Prognosis prediction	248 patients; IHC-stained TMAs	GoogLeNet	Hazard ratio: 1.273 (Cox), 1.234 (Uno), 1.149 (Logrank)
Wang et al. (2021) [53]	Prognosis prediction	1,164 patients; lymphnode pathological images	U-net, ResNet	Hazard ratio: 2.04 (univariable), C-index: 0.694

AI, artificial intelligence; Acc, accuracy; GDSC, genomics of drug sensitivity in cancer; CCLE, cancer cell line encyclopedia; TCGA, the cancer genome atlas; AUC, area under the receiver-operating characteristic curve; CT, computerized tomography; C-index, concordance index; OS, overall survival; DFS, disease-free survival; IHC, immunohistochemistry; TMA, tissue microarray..

Challenges and future direction

인공지능을 활용한 대부분의 연구들은 그 결과가 대단히 인상적으로 보일 수 있다. 하지만 대부분 단일 기관 연구이거나 데이터가 충분하지 않고 그 데이터의 대표성 또한 논란이 있을 수 있다. 또 인공지능의 지나치게 매개변수화된 블랙박스 특성상 낮은 해석력도 비판의 대상이 될 수 있다. 따라서 인공지능의 성능을 검증할 수 있는 더 정교한 알고리듬을 사용한 연구를 수행하는 데 많은 관심을 기울여야 한다. 현재까지의 연구는 내시경, CT, 병리 결과를 각각 따로 분석하고 있다. 때문에 이러한 영역을 아울러 동시에 분석하는 통합된 다중 양식 알고리듬(multi-modality algorithms)을 개발할 필요가 있다. 또한 대부분의 연구는 위암의 발견, 병기 설정, 예후 예측 등 각각 단일 항목만을 다루고 있다. 이러한 항목들을 유기적이고 복합적으로 연결한 다중 작업 알고리듬(multi-task algorithm)은 다양한 분야의 정보를 동시에 학습하고 분석할 수 있다. 이러한 다중 양식 알고리듬과 다중 작업 알고리듬이 개발된다면 인공지능의 비약적인 발전을 기대할 수 있을 것이다.

인공지능 기술, machine learning과 deep learning은 위암의 영역에서 주목할 만큼 발전했다. 내시경의 영역에서 인공지능은 위암의 인지, 진단, 침윤 깊이, 절제 범위를 파악하는 데 도움을 줄 수 있다. 병리조직검사 영역에서 인공지능은 진단 시간을 줄여주고 분자 유형을 구분하는 데 보조적인 역할을 할 수 있다. 영상의학 영역에서 인공지능은 CT를 기반으로 병기 설정, 치료의 선택, 예후 예측 등을 도울 수 있다. 이러한 연구들은 위암에서 인공지능이 보여줄 수 있는 가능성을 시사하는 반면 데이터 부족, 낮은 해석력 등 그 유효성에 의문 또한 존재한다. 하지만 알고리듬의 발전을 통해 개선이 이루어진다면 조만간 임상에서 인공지능의 활발한 활용을 기대할 수 있을 것이다.

None.

No potential conflict of interest relevant to this article was reported.