MoleGazer 개발 타당성 조사

배경

흑색종 발병률은 2015년에 15,906건의 새로운 영국(UK) 사례로 급격히 증가하여 2,285명이 사망했습니다. 진행성 흑색종의 경우 8-25%에 비해 5년 상대 생존율이 95% 이상인 조기 흑색종 진단은 필수적입니다. 영국에서 피부암 비용은 2020년까지 1억 8천만 파운드를 초과할 것으로 예상되며 영향을 받는 개인에게 상당한 이환율(및 사망률)을 초래합니다. 흑색종의 최대 60%는 기존 모반(두더지)에서 발생합니다. 조기 흑색종 발견은 모반의 변화를 인식하는 개인과 숙련된 피부과 전문의가 더모스코피(x10 배율)와 같은 진단 도구를 사용하여 이러한 모반에 대한 여러 모반 전문가 평가를 가진 개인에 의존합니다. 또한 naevi의 순차적 감시가 흑색종 발견률을 증가시킨다는 증거가 있습니다.

TBP(Total Body Photography)는 다발성 모반 모니터링을 위한 진단 보조 도구입니다.

다발성 모반이 있는 흑색종 발병 위험이 높은 환자(>60)의 경우 전신 사진(TBP)(고해상도 카메라를 사용하여 표준화된 신체 부위 이미지)을 통해 모반을 추적, 비교 및 ​​모니터링하는 데 도움이 됩니다. 흑색종 진단을 개선하는 것으로 입증되었습니다. naevi의 권장 단기 감시 모니터링은 3개월이지만 대부분 단일 병변에 국한됩니다. 자원이 제한된 NHS(National Health Service)에서 피부과 전문의에 의한 다중 모반에 대한 빈번한 감시는 비실용적이고 비효율적이어서 흑색종의 조기 진단은 환자의 자가 감시에 효과적으로 의존합니다. 잠재적 솔루션은 시간 경과에 따라 naevi를 추적하고 모니터링하기 위해 인공 지능(AI)을 사용하여 TBP 이미지를 자동으로 분석하는 것입니다.

TBP에 적용된 인공지능은 '두더지 매핑'의 효율성을 향상시킬 수 있습니다.

피부 병변에 대한 이전의 AI 평가는 피부암 진단에서 숙련된 피부과 전문의와 동등한 정확도를 입증했지만, 이는 정적 시점(생검으로 입증된 진단 포함)에서 단일 병변 분석에 의존했습니다. 절제가 예정된 병변의 사용(즉, 흑색종에 대한 높은 임상적 의심)은 임상적 적용 가능성을 심각하게 제한하며 Cochrane 검토에서는 2차 진료에서 흑색종 진단을 위한 컴퓨터 지원 탐지의 유용성이 알려지지 않은 것으로 결론지었습니다. 더 임상적으로 관련된 질문은 자동화 여부입니다. 임상적으로 '두더지 매핑'이라고 하는 순차적 TBP 이미지를 사용하여 naevi의 변화를 감지하면 실제로 흑색종의 조기 진단을 향상시킬 수 있습니다.

현재까지 NHS의 TBP 시스템은 이미지 저장 및 검색으로 제한된 자동화 기능을 가지고 있습니다. 하나의 자동화된 전신 스캐닝 시스템이 존재하고 미래에는 현재 이미지 획득 및 병변 일치 알고리즘에 AI 기반 진단을 통합할 수 있지만 완전한 임상 검증 및 NHS에서의 후속 구현은 다음에 필요한 투자로 인해 비용이 많이 듭니다. 스캐닝 시스템(현재 비용 미화 100만 달러). 보다 전통적인 이미지 획득 장비와 정교한 AI 기술을 사용하여 동일하거나 더 나은 결과를 얻을 수 있는지 여부는 알 수 없습니다. 연구자들은 현재 NHS에서 사용하고 있으며 개인의 임상 검토에 부가적으로 사용할 수 있는 naevi의 표준 TBP 기반 감시를 사용하여 조기 흑색종 탐지를 위한 천문학적 AI 방법의 새로운 적용을 제안합니다.

천문 AI 기술을 다중 내비의 TBP 모니터링에 적용

천문학의 일시적인 과학은 폭발하는 별과 같은 새로운 천문학적 소스의 진화를 감지하고 추적하는 것을 목표로 합니다. 장기 및 단기 진화를 모두 보여주는 개별 이벤트는 새 이미지를 보관 데이터와 비교하여 감지하고 일시적인 밝기, 색상, 고유 동작 및 범위를 포함한 기능 세트를 기반으로 분류합니다. 최첨단 천문 조사는 미묘한 변화를 식별하기 위해 다년간의 시간 척도에 걸쳐 매일 밤 하늘을 모니터링합니다. 전체 시계열 기록 및 상황 정보를 사용하는 AI 기술(예: 랜덤 포레스트 및 순환 신경망, RNN)은 이벤트를 확률적으로 식별하고 분류하는 데 일상적으로 사용됩니다. 추가 정보를 제공하는 각각의 새로운 관측을 통해 천문 과도 조사는 일상적으로 새로운 소스를 감지하고 특성화할 수 있으므로 새로운 소스의 진화는 단 세 시점을 기준으로 99.5% 정확도로 예측할 수 있습니다.

천문학에서 직면한 이 문제는 흑색종 발병 위험이 높은 개인을 위한 '두더지 매핑'과 유사합니다. naevi 및 천문 소스 모두 변화를 감지하기 위해 여러 이미지에서 추적되는 균일한 배경에 대해 별개의 소스로 특징지을 수 있습니다. 따라서 연구자들은 천문학적 AI 기술이 이 임상 문제를 해결하는 데 이상적으로 적합하다고 가정하고 이를 테스트하기 위해 MoleGazer 프로젝트를 개발하고 있습니다.

이론적 해석

MoleGazer 알고리즘을 개발하기 위해 조사관은 천문 AI 알고리즘을 TBP 이미지에 적용하여 순차 이미지에서 naevi를 감지하고 추적하기 위한 기준 데이터 세트가 필요합니다. 현재 조사관이 이 타당성을 테스트하기 위해 공개적으로 사용할 수 있는 TBP 이미지 데이터베이스가 없으므로 이 연구에서 목표는 다음을 수집하는 것입니다.

1. 2년 동안 고정된 순차적 시점에서 촬영한 TBP 이미지의 시계열 코호트
2. 임의의 시점에서 촬영한 순차적 이미지를 포함하는 TBP 이미지의 기본 코호트 TBP 이미지를 수집함으로써 조사관은 피부 톤, 조명 수준, 이미지 등록 및 배경 빼기 기술에 대한 naevi 감지 및 특성화의 민감도를 연구할 수 있습니다. 또한 naevi 감지를 자동화하고 연구 팀이 가지고 있는 모든 순차적 이미지에서 naevi의 진화를 추적합니다. 이 데이터베이스의 개발을 통해 조사관은 천문 AI 방법을 TBP 이미지에 적용할 가능성을 입증할 수 있습니다.