복부 대동맥류(AAA)의 혈관내 동맥류 봉합(EVAR) 후 일반 복부 방사선 감시에 적용된 딥러닝 (DeepLearn)

복부 대동맥류(AAA)는 큰 동맥인 복부 대동맥이 벽 내부의 퇴행성 과정에 이차적으로 점차 확장되는 상태입니다. 이로 인해 약화 된 벽이 파열되어 복부에 출혈이 생길 수 있습니다. 이 시나리오는 일반적으로 치명적입니다. 동맥류의 직경은 파열 위험과 양의 상관관계가 있습니다. 따라서 동맥류 크기는 AAA를 선택적으로 복구할지 여부를 고려할 때 주요 결정 요인입니다.

혈관내 동맥류 복구(EVAR)는 대부분의 환자에서 AAA의 표준 치료법이 되었습니다. 대동맥 내강 내에 합성 "스텐트 이식편"을 배치하여 순환에서 동맥류를 배제하는 것을 목표로 하는 최소 침습 기술입니다. 금속 미늘과 방사형 힘은 동맥류 위의 비동맥류 대동맥과 동맥류 아래의 장골 동맥에서 스텐트 이식 위치를 유지합니다.

수준 1 증거는 기존 개복 수술에 비해 EVAR로 수술 전후 생존율이 향상되었음을 지속적으로 입증했습니다. 그러나 EVAR 스텐트 이식편의 장기 내구성에 대한 우려가 있습니다. 환자 5명 중 1명은 수술 후 5년 이내에 동맥류에 대한 추가 수술이 필요합니다. 이것은 종종 스텐트 이식편의 위치와 무결성의 실패로 인한 것입니다. 따라서 표준 국제 관행은 EVAR 후 환자를 평생 감시하도록 하는 것입니다. 이것은 일반적으로 전산화 단층 촬영(CT) 또는 이중 초음파 스캔과 결합된 단순 방사선 사진의 형태이며 모두 매년 수행됩니다.

스텐트 이식편은 복부의 일반 방사선 사진에서 볼 수 있으며 시간이 지남에 따라 촬영된 일련의 이미지를 비교하여 마이그레이션, 분해 및 왜곡을 포함한 무수한 스텐트 이식편 문제를 진단할 수 있습니다. 그러나 이러한 변화는 일반 방사선 사진에서는 미묘할 수 있으며 가장 잘 훈련된 사람의 눈으로도 발견하기 어려울 수 있습니다. 결과적으로 환자들은 불행하게도 신독성 및 방사선 유발 악성 종양의 위험을 수반하는 보다 상세한 스캔을 받습니다.

우리 연구의 목표는 해석을 위해 최신 딥 러닝 컴퓨터 알고리즘을 적용하여 일반 방사선 사진의 진단 가능성을 향상시키는 것입니다.

딥 러닝 형태의 인공 지능(AI)은 최근 수많은 도전적인 문제에서 큰 성공을 거두었습니다. 딥 러닝의 성공은 주로 강력한 그래픽 처리 장치(GPU)의 발전에 의해 뒷받침됩니다. GPU를 사용하면 훈련 알고리즘의 속도를 수십 배로 높일 수 있어 실행 시간을 몇 주에서 며칠로 단축할 수 있습니다.

우리의 연구는 실패한 스텐트 이식편의 특징을 식별하기 위해 일련의 익명화된 일반 방사선 사진을 해석하는 데 인공 지능을 사용하는 방법을 탐구할 것입니다.

지난 10년 동안 영국의 우리 기관에서 이미 수행된 Post-EVAR 단순 방사선 사진에 딥 러닝 알고리즘이 적용될 것입니다. 그런 다음 스텐트 이식편 관련 문제를 식별하는 기계의 효율성을 이전에 사람의 해석으로 식별된 알려진 결과와 비교할 것입니다.

이 프로젝트는 딥 러닝 기술의 최근 발전에 의존합니다. 딥러닝은 컴퓨터가 사람보다 정확도가 높은 숫자, 한자, 교통표지판 인식 등의 영역에 성공적으로 적용됨에 따라 EVAR 감시에 좋은 성능을 가져올 것으로 기대된다.