보형물을 이용한 유방 수술이 보편화됨에 따라 수술 후 관리를 위해 보형물 식별의 중요성 역시 증가하는 가운데, 서울대학교병원 성형외과 홍기용 · 융합의학과 공현중 교수팀이 초음파 영상을 이용해 유방 보형물을 분류할 수 있는 딥러닝 모델을 개발했다. 

유방 보형물 삽입 수술은 전 세계적으로 연간 약 200만 건 이상 시행되며, 재건 및 미용 목적 모두에서 증가 추세다. 이와 관련해 보형물 종류 및 특성에 대한 정보 부족과 BIA-ALCL(유방 보형물 관련 림프종) 등 안전성 문제로 인해 정확한 보형물 식별의 중요성이 증가하고 있다.

유방 초음파를 통해 보형물 정보를 확인할 수 있으나, 전문의 수준의 숙련도가 요구되어 일반 임상에서의 활용이 제한적이다. 또한 보형물 식별을 위한 AI 연구는 부족하여, 객관적이고 자동화된 진단 도구 개발 필요성이 제기되고 있다.

연구팀은 4개 의료기관에서 수집된 환자 2,580명의 보형물 4,136개와 총 28,712장의 초음파 이미지를 분석하여 딥러닝 모델을 개발하였다. 개발에 실시간 탐지에 특화된 YOLOv8 모델을 사용, 보형물 영역을 자동 추출하여 정밀도 0.999, 재현율 1.000(100%)의 성능을 확보하였다. 

그림 1. 본 연구에서 개발한 인공지능(AI)을 활용한 유방 보형물 자동 식별 및 분류 과정. (A) 초음파 영상 입력: 다양한 의료 현장에서 촬영된 유방 초음파 영상을 수집하여 분석 시스템에 입력함. (B) 보형물 영역 자동 탐지 및 맞춤형 분류: 인공지능 모델이 초음파 영상 내에서 분석이 필요한 보형물 영역을 자동 검출 및 추출하여 다른 초음파 장비 제조사 간의 호환성과 분석의 일관성을 확보한 후, 추출된 이미지를 기반으로 두 개의 개별적인 딥러닝 모델이 작동하여 제조사(5종)와 표면 형태(3종)를 최종 예측함.

7종의 딥러닝 알고리즘을 적용해 5개 제조사(Mentor, BellaGel, Allergan, Sebbin, Motiva) 및 3개 표면 질감(Smooth, Microtextured, Textured)을 분류한 결과, 외부 데이터 검증에서 제조사 식별 균형 정확도 최대 0.893, 표면 질감 분류 균형 정확도 최대 0.971의 높은 성능을 확인하였다. 특히 Grad-CAM 기법*을 도입해 AI가 보형물 외피의 구조적 특징을 핵심 근거로 판단함을 확인하였다. 

* Grad-CAM: AI가 이미지의 어느 부분을 보고 판단했는지 시각적으로 보여주는 기술

그림 2. 인공지능(AI)의 보형물 판독 근거 시각화 및 분류 성능 분석 결과. (A) 엘러간(Allergan) 보형물 식별 근거 시각화: 인공지능이 엘러간 사의 보형물을 판독할 때 중점적으로 분석한 영역을 붉은색으로 표시한 모습이며, 보형물 특징을 중점으로 판단하고 있음. (B) 제조사 분류 모델의 성능: 외부데이터셋에 대하여 5개 제조사를 AI가 얼마나 정확하게 구분해내는지 보여주는 성능 곡선. (C) 마이크로텍스처(Microtextured) 보형물 식별 근거 시각화: 표면이 미세하게 거친 마이크로텍스처 타입 보형물을 식별할 때 AI가 보형물을 중점으로 판단하고 있음. (D) 표면 질감 분류 모델의 성능: 외부 데이터셋에 대하여 보형물 표면의 질감(매끄러움 등 3종)을 AI가 판별하는 성능을 나타낸 성능 곡선

이번 연구는 초음파 기반 유방 보형물 식별 AI 모델을 다기관 데이터로 검증한 최초 연구로, 전문의 의존도를 낮추고 빠르고 일관된 보형물 식별이 가능함을 입증하였다. 향후 임상 적용 시 진단 시간 단축, 의료진 피로도 감소, 보형물 관련 합병증 조기 대응 등 임상 워크플로우 개선 효과가 기대된다. 

홍기용 교수(서울대병원 성형외과)는 “본 연구에서 개발한 AI 모델은 유방 초음파 영상만으로 보형물 정보를 자동으로 식별할 수 있어, 임상의의 경험 의존도를 줄이고 보다 효율적인 환자 관리를 가능하게 할 것으로 기대된다.”라고 말했다. 

이번 연구 결과는 미용·성형외과 분야 세계 최상위 학술지인 Aesthetic Surgery Journal에 게재되었다.

[사진 왼쪽부터] 서울대병원 성형외과 홍기용 교수, 융합의학과 공현중 교수