축성척추관절염(axSpA)의 조기 진단을 위한 자기공명영상(MRI) 및 임상 변수를 이용한 병변 탐지를 위한 인공지능(AI) 도구 개발을 위한 후향적 환자-대조군 연구 (InnovaDetect)

배경

척추관절염(SpA)은 HLA-B27 항원과의 연관성을 포함하여 공통된 임상적, 유전적 특징을 공유하는 자가면역 성질의 만성 염증성 질환 그룹입니다. 이는 유병률이 0.01-2.5%인 가장 흔한 류마티스 질환 중 하나입니다. 이러한 모든 조건으로 인해 환자는 만성 장애 질환으로 이동하게 됩니다.

SpA 환자는 임상 증상에 따라 주로 축상 SpA(axSpA) 또는 주로 말초 SpA로 분류될 수 있습니다. 축방향 SpA는 천장관절(SIJ) 및/또는 척추가 일차적으로 침범되어 상당한 통증과 장애를 초래하는 것이 특징입니다. 최근까지 axSpA의 진단은 일반 방사선 사진을 사용하여 SIJ의 천장골염을 연상시키는 구조적 변화를 감지하는 데 의존했습니다.

SIJ를 평가하기 위한 자기공명영상(MRI)의 도입으로 axSpA에 대한 인식이 크게 향상되었습니다. MRI는 아직 구조적 병변이 없는 환자에서도 초기 염증 과정을 감지할 수 있습니다. 게다가 MRI는 SIJ의 구조적 변화를 감지하는 데 있어서 방사선 촬영보다 우월함을 보여주었습니다. 그러나 민감도와 특이도 모두 한계가 있기 때문에 SpA에서 "양성 MRI"의 정의는 여전히 논란의 여지가 있습니다. 현재 치료법이 가능해지고 MRI가 조기 진단을 위해 선호되는 선택으로 떠오르면서 SpA의 조기 진단은 점점 더 중요해지고 있습니다. 강직성 척추염에 대한 항종양 괴사 인자 제제에 대한 다수의 무작위 대조 시험에서 MRI를 통해 척추의 염증성 병변이 퇴행되는 것으로 나타났습니다. 또한, SpA의 조기 진단에서 MRI의 역할이 더 잘 확립되었으며, axSpA 진단을 ​​위해 MRI에 의한 활동성 천장관절염의 영상 특징이 정의되었습니다.

연구의 이론적 근거

현재 의료 영상의 발전과 axSpA 분류 기준을 개선하려는 지속적인 노력에도 불구하고 axSpA 환자의 높은 비율은 진단이 제대로 이루어지지 않아 진단이 지연되어 예후가 좋지 않을 수 있습니다. 의료 영상에서 나오는 구조화되지 않은 데이터의 양은 진단 지연의 원인이 됩니다. 대규모 데이터 세트를 처리하기 위해 의학에 AI와 기계 학습 기술을 통합함으로써 더 빠르고 정확한 분석, 실제 증거 격차 식별, 의료 서비스 제공자와 의료 시스템의 요구 사항을 해결하기 위한 민첩한 증거 생성이 가능해졌습니다.

본 연구는 axSpA의 조기 진단에 도움을 주기 위해 정량적 MRI 데이터와 임상 정보를 결합한 AI 진단 도구를 개발하는 것을 목표로 한다.

목표

주요 목표: axSpA를 조기 진단하고 MRI를 기반으로 병변을 탐지할 수 있는 AI 도구를 만드는 것입니다.

2차 목표: AI 모듈의 임상 검증.

탐구 목표:

• 질감 정량화, 방사성학 및 심층 특징 분석을 기반으로 병변(부종, 미란, 지방 화생 및 강직)의 자동 특성 분석.
• SIJ의 텍스처 이미징 바이오마커에 대한 표준 값 결정.

샘플 설명

데이터 세트는 소급하여 수집된 900개의 MRI로 구성됩니다. MRI 검사는 활성 axSpA가 있는 환자와 비활성 또는 axSpA가 없는 환자(대조군)에서 제공됩니다. 제어 대 사례 비율은 40/60으로 설정되어 알고리즘이 한 그룹을 다른 그룹보다 선호하지 않고 두 하위 집합에서 학습할 수 있습니다. AI는 병리학보다 정상성을 더 쉽게 특성화할 수 있으므로 axSpA가 아닌 MRI와 정상 MRI의 비율은 axSpA MRI에 할당된 60%에 비해 낮을 수 있습니다(약 40%). 활성 axSpA 그룹 중에서 분류 범주(부종, 강직, 미란 및 지방화생)에 걸쳐 MRI 분포는 가능한 한 균형을 이루어야 하며 이상적으로는 각 범주에 25%가 할당되어야 합니다. 각 MRI는 동일한 개인에 대해 서로 다른 시점을 나타낼 수 있으므로 반드시 다른 환자에게서 나온 것은 아닙니다.

분석 계획

1. 이미지 품질 관리.

   현장에서 수신된 모든 이미지는 이미징 기술자가 검사하여 데이터의 동질성을 보장합니다.

2. 중앙 집중식 이미지 해석.

   MRI 이미지에 대한 중앙 집중식 방사선학적 검토는 MSK의 수석 방사선 전문의가 수행합니다. 각 사례는 두 명의 방사선 전문의가 평가합니다. 두 사람 사이에 의견 차이가 있는 경우 세 번째 방사선 전문의가 사례를 검토합니다.

   방사선 전문의는 축성 척추관절염 분류를 위해 MRI에서 활동성 천장관절염을 정의하기 위한 ASAS 기준을 기반으로 MRI를 연구의 다양한 클래스와 코호트로 분류합니다. 프로젝트에 참여하는 모든 방사선 전문의는 ASAS 기준에 따라 병변을 감지하기 위한 교육을 받게 되며, 이 교육은 문서화되어 연구 저장소에 저장됩니다.

3. 주석 과정.

   영상 기술자는 MSK 전문 방사선 전문의가 발견한 병변의 윤곽을 그려 3D 볼륨을 생성합니다. 그런 다음 MSK 전문 방사선 전문의가 이를 검토합니다.

4. 이미징 바이오마커 추출.

   표시된 병변에 대한 추가 정보를 얻기 위해 조직 분석을 수행하여 병리학적 과정의 지표로 간주될 수 있는 조직의 이질성과 관련된 여러 특징을 정량화합니다. 방사성 패널은 다음 기능을 기반으로 합니다.

   • 구조적 또는 모양적 특징: 이미지의 기하학적 특성을 설명합니다. 이러한 특징의 예로는 병변의 부피, 최대 직교 직경, 최대 표면적, 치밀함, 프랙탈 차원 또는 구형성이 있습니다.

   • 통계적 특성은 통계적 관계에 의해 추론되는 특성입니다. 차례로 다음과 같이 될 수 있습니다.

     • 1차 또는 분포: 공간 관계를 고려하지 않고 개별 복셀 값의 빈도에 대한 정보를 제공합니다. 이 분포는 복셀 강도의 평균, 중앙값, 최대값 및 최소값뿐만 아니라 분포의 비대칭성, 첨도, 균일성 또는 엔트로피에 대해서도 보고하는 히스토그램 형태로 표시됩니다.
     • 2차 순서 또는 질감: 인접한 복셀 간의 관계를 반영하여 강도의 공간적 배열을 얻을 수 있으므로 연구된 조직의 구조와 이질성에 대한 아이디어를 제공합니다. 이러한 관계는 두 개의 이웃 복셀이 동일한 신호 강도를 가질 확률을 측정하는 동시 발생 행렬과 같은 통계 분석을 통해 얻습니다.
     • 고차: 이는 패턴을 최대화 또는 최소화하고, 노이즈를 제거하거나, 특정 세부 사항을 강조하기 위해 필터 또는 수학적 변환이 적용된 이미지에 대해 프랙탈 분석과 같은 복잡한 통계 분석을 통해 얻은 특징의 조합입니다.
   • 심층 기능: CNN(컨벌루션 신경망) 또는 기타 딥 러닝 알고리즘을 사용하여 이미지를 분석하여 얻은 속성입니다. 이러한 알고리즘은 사람의 개입 없이 이미지에서 해당 특징 또는 분류 특징 세트를 자동으로 결정하고 선택할 수 있도록 훈련되었습니다.
5. AI 모듈 개발.

데이터 과학자들은 이미징 바이오마커 및 기타 임상 정보와 함께 수집된 MRI를 사용하여 각 대상에 대해 axSpA의 확률 점수를 제공하는 AI 기반 모델을 만듭니다.

AI 모듈을 생성하기 위해 데이터베이스는 3개의 불균형 하위 데이터 세트(훈련, 검증 및 테스트)로 나뉩니다. 모듈 교육에는 더 큰 이미지 데이터 세트가 사용됩니다. 훈련 단계 후에는 검증 데이터베이스를 사용하여 분류가 잘 수행되었는지 또는 모델을 다시 훈련해야 하는지 확인합니다.

훈련: 훈련 과정에서 모델을 맞추는 데 사용되는 사례 집합입니다. 이는 모델이 가중치를 조정하는 데 사용할 사례, 즉 모델이 "학습"하는 데 사용할 사례입니다.

검증: 훈련 과정에서 모델을 평가하는 데 사용되는 사례 집합이므로 모델 가중치를 조정하는 데 사용되지 않습니다. 이 데이터 세트는 세 가지 주요 목적으로 사용됩니다.

• 초매개변수 조정.
• 과적합 감지: 훈련 프로세스 중에 각 훈련 반복(에포크) 후에 모델은 훈련 및 검증 데이터 세트 모두에 대해 평가됩니다.
• 훈련 과정에서 "최상의" 모델을 선택한다는 것은 최고의 검증 지표를 얻은 훈련 반복의 가중치가 저장된다는 의미입니다.

테스트: 훈련이나 검증에 사용되지 않는 별도의 세트가 최종 모델 평가에 사용됩니다.

본 연구에서는 다양한 스캐너와 기관에서 MRI 검사를 받게 됩니다. 따라서 획득 프로토콜과 재구성 기술은 스캐너마다 다를 수 있습니다. 이 문제를 해결하기 위해 전처리 기술을 적용하여 다양한 스캐너에서 이미지를 표준화합니다.