AI가 초음파 이미징을 향상시키다
Synopsis: AI Gives Ultrasound Imaging a Boost

세포 관찰에 가장 선호되는 도구는 광학 현미경이며, 이는 세포의 주요 구성 요소를 포착할 수 있는 해상도를 갖추고 있기 때문이다. 광학 현미경은 세포를 몇 시간 동안만 관찰하는 경우에는 매우 효과적으로 작동하지만, 시간이 길어지면 광원에서 발생한 광자가 세포를 손상시키기 때문에 한계가 발생한다. 반면, 초음파 영상 기술은 24시간 이상 장시간 관찰이 가능하다는 장점이 있으나, 파장이 수백 마이크로미터 이하로 줄어들 수 없기 때문에 해상도가 낮아 세포 수준에서 유용하게 사용되기 어렵다. 이러한 문제를 해결하기 위해, 일본 오사카 대학의 오기 히로츠구(Hirotsugu Ogi) 교수와 공동 연구자들은 저해상도 세포 영상을 고해상도로 변환할 수 있는 인공지능(AI) 기반의 새로운 기법을 개발하였다.1) 오기 교수는 이 방법이 다른 유형의 현미경의 해상도 향상에도 기여할 수 있을 것으로 기대하고 있다.

연구팀은 본 기법의 타당성을 검증하기 위해 동일한 생체 줄기세포로부터 획득한 10만 장 이상의 초음파 영상과 광학 영상을 수집하였다. 이들 영상 데이터는 AI 알고리즘에 입력되었으며, 알고리즘은 두 영상 간의 공간적 및 형태학적 특징 사이의 상관관계를 학습하였다. 이후 연구진은 새로운 세포 초음파 영상 데이터를 입력하여 알고리즘의 일반화 성능을 평가하였고, 그 결과 출력된 영상이 해당 세포의 광학 영상과 매우 유사함을 확인했다. 오기 교수는 이 기술이 성공할 수 있었던 핵심 요인으로 저주파 및 고주파 음향 신호를 모두 포함시킨 점을 꼽았다. 이 중 저주파 데이터는 세포핵의 기계적 공명 특성을 포착하며, 이는 AI가 세포 구조를 정확히 학습하는 데 필요한 요소였다고 설명했다.

네트워크 계층 구조가 혼돈을 제어하다
Synopsis: Network Hierarchy Controls Chaos

계층적 구조는 개별 단위들이 서로 다른 수준에서 상호 연결되어 있는 다양한 복잡계에서 관찰된다. 이러한 층위적 시스템에서 발생하는 집합적 행동은 종종 복잡하게 얽혀 있어 분석과 해석이 쉽지 않다. 이러한 복잡계의 대표적 예로 간주되는 인간의 뇌를 중심으로, 시애틀 앨런 연구소(Allen Institute)의 루카시 쿠시미에시(Łukasz Kuśmierz) 박사와 공동 연구진은 뉴런의 혼돈적 활동을 제어하는 데 있어 계층 구조가 수행하는 역할을 설명하는 이론 모델을 개발하였다.2)

이 연구에서 제시된 단순한 계층 구조는 유사한 연결 양상을 지닌 노드(뉴런)들을 하나의 “클러스터”로 정의하는 방식으로 구성된다. 시간 t + 1에서의 각 뉴런의 활동은, 시간 t에서 연결된 뉴런들의 활동을 바탕으로 정해진 규칙에 따라 결정된다. 이러한 체계 내에서 미시적 수준에서는 전체 뉴런 집단의 혼돈적인 동역학이 지배적이며, 거시적 수준에서는 각 클러스터의 평균 활동으로 대표되는 군집 간 상호작용이 시스템의 동역학을 주도한다. 연구진은 이 두 수준 간의 경쟁이 혼돈을 감쇠시키는 메커니즘으로 작용함을 보였고, 이는 네트워크 내 혼돈적 활동을 제어하고 균형을 유지하는 강건한 조절 메커니즘을 제공함을 의미한다.

한편, 뇌는 완전히 질서정연하지도 완전히 무작위적이지도 않은 ‘혼돈의 가장자리(edge of chaos)’로 불리는 동역학적 영역에서 작동한다는 가설이 존재한다. 이 영역은 학습과 정보처리의 효율을 극대화하는 최적의 조건으로 여겨진다. 쿠시미에시 박사 연구팀에 따르면, 무작위 네트워크에 계층 구조를 도입할 때 나타나는 미시적·거시적 수준 간 경쟁은 시스템을 혼돈의 가장자리 근처에 유지하는 데 충분하며, 이는 생물학적 신경 시스템에서도 핵심적인 역할을 수행할 수 있음을 시사한다.