조밀한 유방 조직, 암 진단의 블라인드 스팟?
"AI가 유방촬영 이미지를 분석해 밀도 등급(A~D)을 분류하는 모습" - 영상 내 조밀 조직이 자동으로 하이라이트되며, 인공지능이 유방 밀도를 판단하고 의료진에게 정량화된 결과를 제공하는 장면.
딥러닝이 유방 밀도 분석을 혁신한다
유방암은 전 세계 여성에게 가장 흔한 암 중 하나다. 조기 발견이 생존율을 좌우하는 이 질환에서, 가장 중요한 도구는 바로 유방촬영술(mammogram)이다.
하지만 여기엔 ‘보이지 않는 장애물’이 있다.
바로 조밀한 유방 조직, 즉 유방 밀도(Breast Density) 때문이다.
이번 리뷰 논문은 지난 20여 년간 진행된 유방 밀도 분류에 특화된 딥러닝 연구를 종합 정리했다.
단순히 ‘암을 찾아내는 AI’가 아니라, 유방 구조의 특성 자체를 분석해 진단 정확도를 높이기 위한 모델들이 주인공이다.
---
유방 밀도란 무엇인가?
유방 조직은 지방조직(비조밀)과 섬유선조직(조밀)으로 구성된다.
X선 사진에서는 지방조직은 어둡게, 조밀 조직은 밝게 보인다. 문제는 이 밝은 부분이 암세포도 똑같이 밝게 나타난다는 것.
즉, 조밀한 조직이 많을수록 암세포가 가려지기 쉬운 ‘마스킹 효과’가 발생한다.
이 때문에 유방 밀도는 단순한 생리적 특징이 아니라 암 진단 정확도를 직접적으로 떨어뜨리는 요인이다.
---
유방 밀도와 유방암, 얼마나 관련 있을까?
* 미국 방사선의학회 기준(BI-RADS)에 따르면, 유방 밀도는 A~D까지 4등급으로 나뉜다.
* A: 거의 지방조직
* D: 대부분 조밀 조직
* D 등급 여성은 A 등급보다 유방암 발생 확률이 4~6배 높다.
* 또, D 등급에서는 촬영 민감도가 48%까지 떨어지는 반면, A 등급은 80~90% 수준을 유지한다.
즉, 유방 밀도가 높으면 암에 걸릴 가능성도, 발견이 늦어질 가능성도 함께 높아진다.
---
왜 AI가 필요할까?
과거에는 방사선 전문의가 직접 유방 밀도를 평가했다.
하지만 이 방식은 주관적 판단에 따라 편차가 심하고, 수천 장의 영상을 매번 평가하는 데 시간이 오래 걸린다.
여기서 딥러닝 기반 컴퓨터 보조 진단(CAD) 시스템이 등장한다.
* 수만 장의 유방 촬영 이미지를 학습한 딥러닝 모델은
* 패턴을 추출하고
* 사람보다 빠르고 일관성 있게 밀도를 분류할 수 있다.
---
어떤 딥러닝 기술들이 쓰였나?
논문에서는 3가지 딥러닝 접근법을 중심으로 분석했다.
1. CNN (Convolutional Neural Networks)
* 영상 인식에 특화된 가장 기본적인 모델
* 주요 사례:
* DDSM, INBreast 등의 오픈 데이터셋 사용
* Dense/Non-Dense 이진 분류
* 정확도 최대 99%까지 달성한 연구도 있음
2. Transfer Learning (전이 학습)
* 이미지넷 등에서 학습된 기존 모델(AlexNet, ResNet 등)을 가져와
* 의료 영상에 맞게 추가 학습
* 소량 데이터로도 높은 정확도를 달성할 수 있음
3. Ensemble Learning (앙상블 학습)
* 여러 딥러닝 모델의 결과를 조합해 정확도 향상
* 장점: 일반화 성능 우수
* 단점: 해석이 어렵고 연산량이 큼
---
실제 적용 사례는?
* ResNet50을 이용한 모델은 DDSM 데이터셋에서 AUC 0.93을 달성
* EfficientNet 기반 모델은 Dense/Non-Dense 분류에서 정확도 91% 이상
* Ensemble 방식은 다양한 모델을 조합해 **92~96% 정확도**까지 도달
또한, 최근에는 다중 시점(MLO, CC) 이미지를 함께 활용한 Multi-view 모델도 성능 향상에 크게 기여하고 있다.
---
문제는 데이터다
딥러닝 모델은 보통 수천 장 이상의 데이터를 요구한다.
하지만 유방 밀도 분류는 다음과 같은 제약이 있다:
* 환자의 프라이버시 문제로 공개 데이터셋이 부족
* D 등급(고밀도) 환자의 데이터 비율이 적어 불균형 데이터 문제
* 의료 영상의 라벨링은 전문의의 수작업이 필요해 고비용
이를 보완하기 위해 데이터 증강(Augmentation), 합성 데이터 생성(GAN), 전이 학습 등이 활발히 연구되고 있다.
---
앞으로의 과제는?
1. 설명 가능한 AI(XAI)
* 왜 이 이미지를 고밀도라고 판단했는지를 설명할 수 있어야 신뢰도 증가
2. 범용 모델 개발
* 서로 다른 병원, 장비, 인종에도 적용 가능한 모델 필요
3. 진단과 연계된 예측 모델
* 단순 분류를 넘어서, 밀도 변화 예측 → 유방암 발병 위험도 예측까지 확장
---
결론: 유방 밀도, 이제는 AI가 읽는다
이번 논문은 단순한 기술 요약이 아니다.
유방 밀도 분석이 왜 중요한가?
어떤 기술들이 어떻게 쓰였나?
어디까지 왔고, 무엇이 더 필요한가?
이 모든 질문에 대한 20년간의 연구 결과를 집대성한 정리이자, 앞으로의 연구 방향을 제시한 나침반이다.
---
키워드:
#유방밀도 #유방암 #딥러닝 #CNN #의료영상AI
---
출처 논문
S. Jeba Prasanna Idas, K. Hemalatha, Jayakumar Naveenkumar, T. Joshva Devadas.
*Recent trends on mammogram breast density analysis using deep learning models: neoteric review*.
Artificial Intelligence Review (2025) 58:240.