내시경 하에서 방광종양을 AI로 탐지하는 방법

연구 배경 방광암은 전 세계적으로 9번째로 흔한 악성 종양으로, 매년 약 430,000명의 새로운 사례가 진단됩니다. 방광암의 표준 진단 및 모니터링은 백색광 방광경 검사(WLC)에 의존하며, 미국과 유럽에서는 매년 200만 건 이상의 방광경 검사가 수행됩니다. 방광암은 재발률이 높기 때문에 빈번한 모니터링과 중재가 필요합니다.

비근육침습성 방광암의 조기발견과 완전절제를 통해 재발과 진행을 줄일 수 있습니다. 그러나 다발성 질환 환자의 최대 40%는 초기 경요도 방광 종양 절제술(TURBT) 동안 완전한 절제를 달성하지 못합니다. 많은 유두상 종양과 편평 병변은 WLC를 통해 확인하기 어렵습니다. WLC의 진단 결함을 해결하기 위해서는 비용 효율적이고 비침습적이며 사용자 친화적인 보조 영상 기술이 시급히 필요합니다.

딥러닝 기반 자동 영상 처리의 최근 발전은 방광경 검사의 한계에 대한 새로운 솔루션을 제공할 수 있습니다. CNN(컨벌루션 신경망)은 복잡한 관계를 학습하고 기존 지식을 모델에 통합하여 방광 종양 진단을 비롯한 다양한 분야에 걸쳐 잠재적인 응용 프로그램을 보여주는 기능을 보유하고 있습니다. 우리는 향상된 방광 종양 탐지를 위해 컨볼루셔널 신경망인 HRNet 알고리즘을 사용했습니다.

연구 과정 4.1 환자 코호트 포함 기준: 1. 방광종양이 있고 WLC 또는 TURBT를 받은 환자와 전체 수술 영상을 볼 수 있습니다.

제외 기준: 1. 영상이 너무 흐릿해서 정상적인 방광벽과 방광종양을 구별할 수 없습니다. 2. 절제 전 방광종양의 출현이 부족하다. 3. 사전 동의가 부족합니다.

영상 속 환자 정보는 표시되지 않습니다. 처음 모집된 200명의 방광종양 환자의 비디오는 알고리즘 개발에 사용됩니다. 추가로 100명의 환자의 비디오가 알고리즘 검증에 사용됩니다.

4.2 데이터 전처리 데이터 양을 줄이기 위해 1:4 비율로 프레임을 추출합니다. 두 명의 비뇨기과 전문의가 각 프레임에서 방광 종양의 경계를 개별적으로 설명하고 서로 확인합니다. AI 알고리즘은 동일한 방광 종양의 윤곽을 그리는 데 사용됩니다. 비뇨기과 전문의가 주석을 단 방광종양의 윤곽과 알고리즘을 비교하고, IOU 값, 정밀도, 민감도, 위음성률을 분석합니다.

4.3 알고리즘 개발 이 연구는 WLC에서 방광 종양을 식별하기 위해 의미론적 분할을 사용합니다. D-LinkNet 네트워크 구조는 ImageNet 데이터 세트에서 사전 훈련된 ResNet34를 인코더로 사용했으며, 중앙 부분은 계단식 방식으로 다양한 확장 속도의 확장 컨볼루션을 활용하고 디컨볼루션을 사용하여 업샘플링을 수행했습니다. 모든 이미지의 원래 해상도는 1920×1080이며, 2만큼 다운샘플링하여 960×540으로, 너비 방향으로 제로 패딩하여 960×544 해상도의 이미지를 얻습니다. 이 크기의 RGB 이미지는 네트워크에 입력되기 전에 정규화, 평균 빼기, 분산 나누기를 거쳤습니다. 이미지는 5번의 인코딩 과정, 확장된 컨볼루션, 5번의 디코딩 과정을 거쳐 최종적으로 960×544의 예측 결과를 생성하고 추가 후처리를 거쳤습니다. 본 연구에서 매개변수 설정은 배치 크기 8, Adam 최적화, 학습률 0.001이었습니다. 훈련 환경은 NVIDIA TITAN Xp GPU였습니다.

4.4 결과 해석 IOU(Intersection Over Union)는 이미지 인식에서 단일 프레임 이미지 인식 기능을 평가하는 데 중요한 표준입니다. IOU가 임계값을 초과하면 모델이 객체를 성공적으로 감지했음을 의미하며 이는 참양성을 나타냅니다. IOU가 임계값에 도달할 수 없으면 모델이 객체를 감지하지 못하고 거짓 부정을 나타내는 것을 의미합니다. 이미지에 실제값 없이 예측이 나타나는 경우 이는 거짓양성으로 간주됩니다. 테스트 세트에서 모델의 민감도와 정밀도를 계산합니다. 주사위 계수는 두 샘플 간의 유사성을 측정합니다. 평균 주사위 계수가 높을수록 모델의 탐지 성능이 더 우수함을 나타냅니다.

4.5 관찰 지표

① 비디오 주석 및 분류: 훈련 및 테스트 세트 수술 비디오에 대한 주석 상태 및 RLN 인식 식별성 분류 결과; ② 그룹화 및 학습 후 다양한 식별 그룹에 대한 테스트 세트의 IoU 임계값 0.1 및 0.5에서 모델의 민감도, 정밀도, 위음성 비율, 위양성 비율 및 평균 주사위 계수를 관찰합니다.

4.6 통계적 방법 분석은 R 4.0.2에 의해 분석됩니다. 소프트웨어에서는 데이터가 절대 숫자 또는 백분율로 표시됩니다.