심층 구조 학습(deep learning): 생리학 연구 분야의 막대한 이미지 데이터를 추적해 판독하는 인공지능

"없으면 만든다"의 프로페셔널한 사례입니다.

1. 글래드스톤 연구소의 핑크바이너 박사팀은 약 10년 전 개별 세포들을 몇 시간이나 며칠 혹은 몇 달씩 추적할 수 있는 완전자동 로봇 현미경 개발.
2. 로봇 현미경이 하루에 3~5테라바이트 용량의 데이터를 생산해 내자 연구팀은 엄청난 양의 정보를 분석할 수 있는 강력한 통계 및 전산 방법도 개발.
3. 데이터 분석과 패턴 인식 및 예측을 할 수 있는 알고리듬을 포함하는 기계 학습의 한 유형인 심층 구조 학습(deep learning) 사용. CELL 에 게재.

“AI 딥 러닝으로 생의학 연구 급변”
인간 능력 뛰어넘는 세포 구분 신경망 개발 - 사이언스 타임즈 2018.4.

 “우리는 신경망에게 같은 세포의 두 종류 매칭 이미지 즉 하나는 레이블이 없고 다른 하나는 형광 레이블이 붙은 이미지를 보여주며 이 망을 훈련시켰다”, “이 과정을 수백만 번 반복한 다음 신경망에 전에 본 적이 없는 레이블 없는 이미지를 제시하자 형광 레이블들이 어디에 속하는지 정확하게 예측할 수 있었다”

요즘은 어떻게 하는지 몰라도, 형광단백질을 발현하도록 만들어 배양하고 그걸 처리해 광현미경으로 세포를 들여다본 적 있는 사람이라면 허탈한 웃음이 나올 겁니다. 대단한 이야기.

• 구글 가속 과학(Google Accelerated Science) 팀의 엔지니어링 이사인 필립 넬슨(Philip Nelson) 박사
• 처음에는 기성품 소프트웨어를 쓰다가, 구글 텐서플로(TensorFlow) 맞춤 모델 사용.
• 인 실리코 레이블링’(in silico labeling)

그러고 보니, CT, MRI, 조직검체 사진 판독, 그리고 신경세포의 종류와 시냅스를 구별하는 데 인공지능을 쓴 이야기는 몇 년 전부터 TV방송이나 TED영상을 통해 저같은 일반인도 소식을 접할 수 있었습니다. 그러니 저 사람들은 훨씬 전부터 해왔겠죠?