바이오인

핵심내용

홀로그래픽 현미경, 인공지능 기반적혈구의 노화 진단기술 개발

□ 별도의 전처리 과정이나 전문가의 도움 없이 간편하게 적혈구를 관찰하여 건강을 진단할 가능성이 열렸다. 이상준 교수(포항공과대학교) 연구팀이 디지털 홀로그래픽 현미경과 기계학습형 인공지능(AI)을 이용하여 적혈구의 노화를 진단하는 기법을 개발했다고 한국연구재단은 밝혔다.

□ 혈액의 대부분을 차지하는 적혈구의 생물리학적 특성은 질병 및 혈액 보관기간과 밀접한 연관이 있다. 질병의 종류와 진행 추이에 따라 적혈구의 형태가 변하기도 하고, 산소와 이온 전달 능력이 감소하여 순환 기능에 장애를 유발하기도 한다.

□ 질병을 진단하기 위해 적혈구의 상태와 노화 정도를 정확하게 파악하는 것이 필수적이지만, 광학현미경을 이용한 적혈구 관찰은 정확도가 높지 않아 한계가 있었다.

□ 연구팀은 간단한 광학배치의 디지털 홀로그래픽 현미경을 이용하여 적혈구의 홀로그램(3차원 입체 사진)을 획득하고, 이를 통해 적혈구 형태를 분류하는 12개의 특징들을 추출했다.

  ㅇ 레이저 빔을 시료에 조사하면 빛의 간섭현상으로 홀로그램이 형성되고, 이로부터 3차원 정보를 획득할 수 있다. 이 방법으로 적혈구의 둘레‧투영면적 등의 형태학적 특성, 영상 강도, 광학 특성 등의 분류 기준을 구했다.

□ 추출한 분류특징을 기계학습형 AI 기술에 적용한 결과, 혈액의 노화에 따라 형태가 다른 3가지 적혈구를 97% 이상의 높은 정확도로 분류할 수 있었다.

□ 이상준 교수는 “이 연구는 기존 광학현미경으로 얻을 수 없는 새로운 분류 특징들을 추출하고, 적혈구의 유형을 정확하게 식별할 수 있는 진단기법”이라며, “향후 당뇨나 말라리아와 같은 혈구성 질환의 자동 진단에 유용하게 사용될 수 있을 것으로 기대된다“고 연구의 의의를 설명했다.

□ 이 연구는 한국연구재단 기초연구사업(중견연구자), STEAM연구사업의 지원으로 수행되었으며, 전기화학 분야 최고 권위 학술지인 바이오센서스 앤 바이오일렉트로닉스(Biosensors and Bioelectronics) 4월 30일에 게재되었다.

상세내용

주요내용 설명

□ 논문명, 저자정보

논문명
Label-free sensor for automatic identification of erythrocytes using digital in-line holographic micros and machine learning

저  자
이상준 교수(교신저자, 포항공대), 고태식(제1저자, 포항공대), 변혁준(공동저자, 포항공대)

□ 연구의 주요내용

 1. 연구의 필요성
  ○ 질병 진단에 있어서 혈액은 매우 중요한 역할을 한다. 혈액의 구성요소 중 대부분을 차지하는 적혈구의 생물리학적 특성은 질병의 종류와 진행 정도에 따라 다르게 나타난다.
  ○ 수혈용 혈액은 보관 기간에 따라 pH, ATP, 활성 산소종의 농도가 달라지고 이는 적혈구의 형태학적 변화를 유발한다. 이러한 형태학적 변화에 따라 혈액의 산소와 이온 전달능력이 감소하고 미세순환(microcirculation) 장애를 유발하게 되며 수혈 받은 환자의 사망률에도 영향을 미치게 된다. 따라서, 적혈구의 기능과 생존 능력(viability)을 판단하기 위해서 적혈구의 유형을 식별하는 것이 필수적이다.          
  ○ 적혈구의 형상 관찰에 기존의 광학 현미경이 많이 사용되고 있지만, 시료의 이차원 영상정보만을 제공한다는 문제점이 있다. 그리고 최근 위상차 홀로그래피 현미경*을 사용하여 적혈구를 분류하는 기법이 소개되었지만 광학 배치가 복잡하고 이를 다룰 수 있는 전문가가 필요하다.
     * 위상차 홀로그래피 현미경(phase-contrast holographic micros) : 홀로그래피 현미경 종류의 일종으로 참조파와 물질파가 다른 광경로를 가진다. 참조파와 물질파의 간섭 현상으로 생성된 홀로그램을 통해 시료의 삼차원 영상 구현에 필요한 위상정보를 추출할 수 있다.    
  ○ 이에 따라, 기존의 적혈구의 노화 정도를 식별하는 기법들이 가지고 있는 문제점들을 해결할 수 있는 새로운 기법의 개발이 필요하다.

 2. 연구내용
  ○ 본 연구팀은 단일 광경로 방식의 디지털 홀로그래픽 현미경 기법(digital in-line holographic micros)와 기계학습형 AI 기술을 결합하여 혈액의 보존 기간에 따라 변하는 적혈구(원판 적혈구*, 유극 적혈구*, 구상 적혈구*)를 분류할 수 있는 분류체계를 구축하였다.
     * 원판 적혈구 : 중앙 부위가 오목한 도넛 모양의 정상적인 적혈구
     * 유극 적혈구 : 표면에 가시와 같은 돌기를 가지고 있는 적혈구 
     * 구상 적혈구 : 중앙부가 두터운 구(球) 형상의 적혈구   

  
  ○ 인라인 홀로그래픽 현미경 기법은 위상차 홀로그래피 현미경에 비해 별도의 참조파 광경로가 필요 없어 광학 배치가 간단하다. 결맞음성이 있는 레이저 빔을 시료에 조사하면 빛의 간섭현상으로 홀로그램*이 생성되고, 생성된 홀로그램을 수치적으로 재생(numerical reconstruction)하면 시료의 3차원 정보를 획득할 수 있다.
     * 홀로그램 : 시료에 의해 회절된 물질파(object wave)와 시료를 통과하지 않는 참조파(reference wave)의 간섭현상으로 생긴 간섭 무늬 

  ○ 획득한 630개 적혈구의 홀로그램 영상들로부터 둘레, 투영면적과 같은 형태학적 특성, 영상 강도 분포, 광학 특성 등과 같은 12가지 분류 특징들을 추출하였다. 이러한 12가지 분류 특징을 기반으로 기계학습 알고리즘*을 통해 분류체계를 구축하고, 정확도를 비교하였다.
     * 기계학습 알고리즘 : 인공 지능의 한 분야로, 사람이 분류 특징을 제공하고 컴퓨터가 이를 학습하여 데이터를 분류하는 알고리즘 

  ○ 여러 가지 기계학습 알고리즘들 중에서 의사결정나무모형*에 기반하여 구축한 분류체계가 97% 이상의 가장 높은 정확도로 적혈구들을 분류했다.
     * 의사결정나무모형(decision tree model) : 인공지능에서 대표적인 기계학습 방법으로 여러 가지 규칙 혹은 조건을 세우고 이에 기반하여 데이터를 분류하는 방법

 3. 연구 성과/기대효과
  ○ 간단한 광학 배치의 홀로그래픽 현미경 기법을 이용하여 기존의 기법으로 얻을 수 없는 새로운 분류 특징들을 추출하고 이를 바탕으로 기계학습형 AI 기술을 적용하여 높은 정확도로 적혈구를 분류할 수 있는 새로운 진단 기법을 개발하였다
  ○ 구축된 분류체계는 별도의 라벨링(labelling) 과정과 전문가의 도움 없이 적혈구의 노화 정도를 정확하게 식별할 수 있으며, 향후 말라리아, 당뇨, 빈혈증 등과 같은 혈구성 질환을 진단하는데 유용하게 활용되어질 것으로 기대된다.

연구 이야기

□ 연구를 시작한 계기나 배경은?

질병 진단에 있어서 혈액 검사는 필수적이다. 이에 따라 본 연구팀은 말라리아나 당뇨와 같은 혈구성 질환에 걸린 혈액의 혈류역학적 및 혈유변학적 특성들을 측정하는 기술을 확보하고 적혈구의 형태학적 특성을 측정할 수 있는 홀로그래픽 현미경 기술을 구축하였다. 최근 혈액의 보존 기간에 따른 혈액의 점도와 적혈구의 빛 산란 패턴 변화를 관찰한 결과 수혈 가능 여부를 개략적으로만 판단할 수 있었다. 이에 따라 본 연구실에서 구축해온 홀로그래피 현미경에 대한 기술 노하우를 바탕으로 비교적 간단하게 적혈구를 분류할 수 있는 인자들을 추출하고, 적혈구의 노화를 자동으로 식별할 수 있는 기법을 개발하였다.

□ 이번 성과, 무엇이 다른가?

적혈구의 변형성, 굴절률 등과 같은 생물리학적 특성을 측정하는 선행 연구들은 많았지만, 정확한 적혈구의 유형 분류에 사용할 수 없었다. 또한 기존의 광학 현미경이나 위상차 홀로그래피 현미경을 이용하여 적혈구를 분류하는 방법은 시간이 오래 걸리거나 광학 배치가 복잡하며, 전문가의 해석이 필요하다는 단점이 있다. 본 연구에서는 광학 배치가 간단한 디지털 인라인 홀로그래픽 현미경을 이용하여 새로운 적혈구 분류 특징들을 제시하고, 기계학습형 인공지능 기술을 통해 학습시켜 적혈구 유형을 높은 정확도로 식별할 수 있는 분류체계를 구축하였다.

□ 연구하면서 어려웠던 점이나 장애요소는 무엇인지? 어떻게 극복(해결)하였는지?

본 연구실에서는 홀로그래픽 현미경 기법을 개발하고 이를 다양한 미생물, 적혈구, 미세입자의 3차원 거동 분석에 사용하여 왔다. 따라서 혈액의 노화(보존기간)에 따라 변화하는 적혈구들의 유형을 식별하려면 새로운 분류 기준 도출과 기계학습 알고리즘의 적용이 필요하게 되었다. 기계학습 알고리즘을 적용하고 분류 특징들을 도출할 때 생소하고 어려웠지만 선행 연구 검색과 연구실 구성원들과의 discussion을 통해서 이를 해결할 수 있었다.

□ 실용화된다면 어떻게 활용될 수 있나? 실용화를 위한 과제는?

본 기술은 기존의 적혈구 분류 기법과는 다르게 디지털 인라인 홀로그래픽 현미경과 기계학습 알고리즘을 결합하여 전문가의 도움 없이 적혈구 유형을 자동적으로 식별할 수 있다. 향후 당뇨, 말라리아, 빈혈증 등과 같은 다양한 혈구성 질환에 대한 생물리학적 정보를 데이터베이스화(database) 하여 이들 질환을 정확하게 진단하는데 활용되어질 것이다. 또한 의사의 진료를 받기 힘든 오지에 사는 환자들의 혈구성 질환 진단에 유용하게 사용될 수 있을 것이다.  

...................(계속)

☞ 자세한 내용은 내용바로가기 또는 첨부파일을 이용하시기 바랍니다.