▲ 왼쪽부터 김지윤 학부연구생, 지도교수 김성은

서울과학기술대학교 인공지능응용학과 김성은 교수 연구팀의 논문이 오는 7월 26일부터 30일까지 캐나다 토론토에서 개최되는 ‘IEEE EMBC 2026’에서 구두 발표(Oral Presentation) 논문으로 채택되었다. EMBC는 의료 인공지능, 디지털 헬스케어, 의공학 분야의 주요 연구 성과가 발표되는 대표적인 국제학술대회로, 전 세계 80개국 이상에서 3,000명 이상의 연구자가 참여하는 대규모 학술 교류의 장이다. 이번 구두 발표 채택은 연구의 학술적 의의와 기술적 완성도를 국제적으로 인정받은 결과라 할 수 있다.

이번 논문의 제목은 ‘Beyond Nodule Detection: High-Fidelity Benchmark for Malignancy-Aware Lung Nodule Analysis’으로, 기존의 단순 폐 결절 탐지를 넘어 임상적으로 중요한 악성 및 양성 여부의 감별을 지원할 수 있는 고품질 벤치마크 구축 방법론을 제안했다는 점에서 의미가 크다. 해당 연구는 인공지능응용학과(복수전공)의 김지윤 학부연구생이 제1저자로 연구를 주도했으며, 김성은 교수가 교신저자로 참여했다.

폐 결절 분석을 위한 기존 인공지능 연구들은 주로 결절의 위치를 찾는 탐지 성능 향상에 집중해 왔다. 그러나 실제 임상에서는 결절을 단순히 발견하는 것뿐 아니라, 해당 결절이 악성인지 양성인지 판단하는 감별 진단이 매우 중요하다. 기존 공개 데이터셋의 경우, LIDC-IDRI 데이터셋은 영상의학 전문의가 제공한 의미론적 주석을 포함하고 있지만, 공간 좌표계와의 정합성에 한계가 있었고, LUNA16 데이터셋은 기하학적 탐지 정보는 제공하지만, 악성도 판단에 필요한 진단적 라벨이 누락되어 있는 문제가 있었다. 이러한 데이터 간 불일치는 악성도 인식 AI 모델 개발하고 공정하게 평가하는 데 근본적인 제약으로 작용해 왔다.

이를 극복하기 위해 연구팀은 악성 종양 주석을 탐지 좌표계와 정밀하게 동기화하는 고해상도 의미론적-기하학적 동기화(High-Fidelity Semantic-Geometric Synchronization, HFSGS) 프레임워크를 제안했다. HFSGS는 폐 결절의 공간 좌표 정보와 악성도, 형태학적 특성 등 임상적으로 중요한 의미론적 정보를 정밀하게 매핑하는 방법론이다. 연구팀은 엄격한 좌표 변환 파이프라인과 3D IoU 기반 그래프 분리 알고리즘을 활용하여 공간 좌표와 임상 메타데이터를 통합하였고, 이를 악성도 인식 AI 모델 학습 및 평가에 활용할 수 있는 벤치마크 형태로 구축했다.

                                 ▲ 연구팀이 최초로 제안한 고해상도 의미론적-기하학적 동기화(HFSGS)프레임워크 개요도

연구팀이 제안한 방법론은 평가 결과, 서브 밀리미터 수준인 의 정렬 정밀도를 달성하며 기존 데이터셋의 공간적 불일치 문제를 효과적으로 완화했다. 또한, 결절의 크기뿐 아니라 악성도 판단과 관련된 주요 방사선학적 지표인 Lobulation, Spiculation, Texture, Margin 등의 정보를 AI 모델이 직접 활용할 수 있도록 통합하였다. 이를 통해 연구팀은 교차 데이터셋 전역 정렬을 기반으로 1,157개의 검증된 폐 결절 벤치마크 데이터셋을 구축하였으며, 최종 악성도 분류 평가에서 AUC 0.9817의 우수한 성능을 확인하였다.

이번 연구의 중요한 의의는 단순한 결절 탐지 성능 향상을 넘어, 인공지능이 임상적으로 의미 있는 진단 정보를 학습하고 평가할 수 있는 기반을 마련했다는 점이다. 특히 기하학적 위치 정보와 진단적 의미론을 통합함으로써, 폐 결절 분석 AI가 “어디에 결절이 있는가”를 찾는 수준을 넘어 “해당 결정이 임상적으로 어떤 의미를 가지는”를 판단할 수 있도록 하는 벤치마크 데이터를 제공한다는 점에서 학술적 의의가 있다.

특히 연구팀은 기존 AI 연구에서 노이즈로 간주되거나 제외되기 쉬웠던 ‘진단이 모호한 결절(Ambiguous nodules)’의 가치를 재조명했다. 전문의 간 의견이 엇갈릴 수 있는 고난도 사례를 벤치마크에 포함함으로써, 향후 AI 모델이 단순히 하나의 정답을 예측하는 것을 넘어 자신이 판단하기 어려운 사례에서 불확실성을 적절히 표현할 수 있는지를 평가할 수 있도록 했다. 이는 실제 임상 환경에서 요구되는 신뢰할 수 있는 의료 인공지능(Trustworthy Medical AI) 개발에 중요한 기반이 될 것으로 기대된다.