AI 기반 난소종양 다중진단 시스템 구축 및 임상적용

방법/설계 연구 목표 이 연구의 첫 번째 목표는 AI 기반 작업을 지원하기 위해 초음파, MRI 이미지 및 임상 지표 데이터를 포함하는 다중 모드 난소 종양 공개 데이터 세트를 구축하는 것입니다. 이 데이터 세트는 다양한 유형의 의료 데이터를 통합하여 포괄적인 AI 분석 및 모델 교육을 촉진합니다. 이 연구에서는 CNN(Convolutional Neural Network) 기술을 사용하여 다중 모드 이미지에 대한 지능형 다중 클래스 인식을 달성하려고 합니다. 여기에는 영상 데이터에서 특징을 추출 및 분석하고 이를 특징 수준에서 다차원 임상 데이터와 통합하는 작업이 포함됩니다. 이를 통해 난소 종양의 가장 일반적인 병리학적 유형 10개 이상을 정확하게 예측할 수 있는 보조 진단 모델을 훈련하고 검증하는 것을 목표로 합니다. 또한 이 연구에서는 개인 정보 보호 컴퓨팅과 연합 학습 방법을 활용하여 모델의 다기관, 전향적 최적화 및 검증을 수행할 것입니다. 이러한 방법은 협업 모델 교육을 활성화하는 동시에 데이터 보안과 개인 정보 보호를 보장합니다. 궁극적인 목표는 대부분의 난소 종양의 병리학적 유형을 예측하고 임상 현장에서 구현할 수 있는 임상 보조 진단 시스템을 개발하는 것입니다. 이 포괄적인 접근 방식은 의료 영상 분야에서 AI 기술의 강점을 활용하여 데이터 보안을 보장하는 동시에 난소 종양 진단의 정확성과 신뢰성을 높이는 것을 목표로 합니다.

연구 설정 이 연구는 중국 베이징에서 진행됩니다. 연구 대상자는 베이징 시지탄 병원(Beijing Shijitan Hospital), 베이징 우호 병원(Beijing Friendship Hospital), 베이징 산부인과 병원(Beijing Obstetrics and Gynecology Hospital)에서 왔으며 모두 수도 의과대학 소속입니다. 이들 병원은 연구 결과의 일반화 가능성을 뒷받침하는 다양한 환자 집단을 제공합니다.

연구 대상 연구 대상은 난소 종양으로 진단받고 외과적 치료를 받은 환자입니다. 예측 모델 개발에 사용된 사례는 2018년 1월부터 2023년 1월까지 연속 등록된 환자를 대상으로 합니다. 임상적용 검증 사례는 2023년 6월부터 2025년 6월까지 환자를 대상으로 전향적으로 수집될 예정이다. 연구의 두 부분에 대한 포함 기준은 다음과 같습니다: (1) 수술 치료를 받은 난소 종양으로 진단된 환자; (2) 수술 전 3개월 이내에 완전한 영상 데이터(초음파 또는 MRI)와 종양 표지자 결과를 얻은 환자. 또한 두 번째 부분에서는 참가자의 사전 동의가 필요합니다. 제외 기준은 다음과 같습니다: (1) 난소에서 유래하지 않은 외과적 병리가 있는 환자; (2) 중복 사건; (3) 화학요법이나 방사선요법을 받은 환자; (4) 재발 사례; (5) 난소 병변의 영상 품질이 좋지 않음; (6) 불완전한 사례 정보.

윤리 연구 프로토콜은 Capital Medical University와 연계된 Beijing Shijitan Hospital 윤리위원회의 검토 및 승인을 받았습니다. 윤리 승인 번호는 [번호 제공]입니다. 본 연구는 헬싱키 선언의 원칙에 따라 수행될 것입니다. 모델 개발 단계에서 회고적 사례에는 사전 동의가 면제되었습니다. 임상 검증 단계의 경우 모든 참가자는 연구가 시작되기 전에 사전 동의서를 읽고 자발적으로 참여에 동의한 후 사전 동의서에 서명합니다.

데이터 수집 연구자는 연구 대상자로부터 영상 데이터(골반 초음파, 골반 MRI) 및 임상 데이터(일반 정보, 병력, 가족력, 신체 검사, 실험실 테스트, 병리 보고서, 임상 진단 등)를 수집합니다. 이는 분류 및 분할 주석이 포함된 다중 모드 난소 종양 데이터 세트를 구성하는 데 도움이 되며 다중 모드 난소 종양 보조 진단 모델의 후속 개발을 위한 AI 데이터 세트 지원을 제공합니다. 연구가 진행됨에 따라 연구자들은 데이터세트의 유연한 확장과 심층 마이닝을 달성하고, 다중 모드 데이터세트에 대한 표준화된 프로토콜을 확립하고, 효과적인 데이터 공유를 가능하게 하는 것을 목표로 합니다.

이미지 데이터 처리, 분할 및 분류 주석 이 프로젝트에서는 OpenSlide 도구를 사용하여 이미지를 처리하고 픽셀 크기가 300의 배수가 되도록 크기를 조정합니다. 이후 이미지는 300×300 픽셀 섹션으로 분할되어 PNG 형식으로 변환됩니다. 병변의 정확한 분할은 정밀한 영상 인식을 위한 기본입니다. 이 프로젝트에는 산부인과 전문의 팀과 베이항대학교 전자정보공학부의 전문가가 참여합니다. 이들은 전문 주석 소프트웨어 LabelMe를 사용하여 병리학적 결과를 기반으로 이미지 분할 및 분류 주석을 작성함으로써 세분화되고 분류된 데이터베이스를 생성합니다. 예를 들어, 2D 초음파 이미지의 경우 병변을 수동으로 분할하고 난소 종양 위치를 표시하고 해당 분류 라벨로 변환합니다.

분할 정확도와 결과를 더욱 향상시키기 위해 이 연구에서는 다중 규모 기능 융합 모듈과 다중 레벨 손실 함수 최적화를 통합한 난소 종양 이미지 분할 네트워크 아키텍처를 구성합니다. 전체 네트워크 아키텍처는 슈퍼픽셀 분할과 딥 러닝을 결합하고 CNN(컨벌루션 신경망)의 강력한 특징 추출 기능을 활용하여 에지 정보를 향상하고 분할 정확도를 향상시킵니다.

AI를 영상인식에 활용한 AI 기반 난소종양 보조진단 시스템 구축 입력된 다중영상(초음파, MRI)에 대해 시각적 특징 추출을 수행한다. 병변 분류 및 분할의 시각적 작업을 해결하기 위해 조밀한 잔류 구조 모델과 다단계 가장자리 인식 구조 모델이라는 두 가지 알고리즘 모델이 구성됩니다. 이 모델을 사용하면 다중 모드 이미지에서 병리학적 유형을 지능적으로 인식할 수 있습니다.

다차원 정형 데이터를 통합한 예측 모델 첫째, 컨볼루션 신경망을 사용하여 픽셀 수준의 예측 결과(분할 결과)를 생성하고 AI 알고리즘이 AI 예측 결과(사후 확률)를 제공합니다. 그 후, 사후 확률 벡터는 구조화된 데이터(연령, 주요 증상, 질병 기간, 신체 검사 소견, 실험실 테스트 및 기타 임상 지표)와 특징 융합됩니다. 이들은 새로운 특징 벡터로 연결되며, 이는 난소 종양의 병리학적 범주를 결정하기 위해 결정 모델(예: XGBoost)에 의해 추가로 분석됩니다. 모델은 병리학적 결과를 최적 기준으로 사용하여 훈련되고 검증됩니다.

보조 진단 시스템 다중 모드 난소 종양 보조 진단 시스템은 여러 계층적 수준으로 구성됩니다. 시스템은 아래에서 위로 4개의 주요 레벨로 구성됩니다. 1) 기본 모듈: 이 모듈은 주로 딥 러닝 추론 가속을 제공하고 시스템 작동에 필요한 기본 기능을 보장하는 역할을 합니다. 2) 기본 애플리케이션 라이브러리(Foundation Layer): 이 레이어는 의료 정보 처리 및 플랫폼 로그 기록을 위한 필수 라이브러리를 제공합니다. 3) 딥 러닝 프레임워크(Deep Learning Inference Layer): 시스템의 지능형 코어 역할을 하며 지능형 시스템 추론에 필요한 기본 딥 러닝 프레임워크를 제공합니다. 여기에는 다양한 플랫폼에서 정확한 신경망 모델 추론을 지원하는 일반적으로 사용되는 신경망 추론 라이브러리가 포함됩니다. 4) 애플리케이션 계층(애플리케이션 계층과 구성 요소 계층으로 세분화): 이 계층은 플랫폼 시스템에 필요한 서비스를 제공합니다. 독립적으로 기능하고 느슨하게 연결된 모듈을 사용하여 유연하고 확장 가능하도록 설계되었습니다. 레이어는 상대적으로 분리되어 있으며 각 레이어는 독립적인 기능을 제공합니다. 플랫폼 시스템은 사용자 친화적이고 외부에 캡슐화된 운영 인터페이스를 특징으로 하여 상향식으로 설계되어 사용자가 플랫폼과 직접 상호 작용할 수 있습니다.

다중 모드 난소 종양 보조 진단 시스템에는 몇 가지 주요 기능이 있습니다. 첫째, 사용자 요구 사항에 따라 의료 기록은 물론 초음파, MRI 이미지를 판독하고 필요에 따라 형식을 변환할 수 있습니다. 그런 다음 관련 없는 정보를 제거하여 이미지와 의료 기록을 전처리하여 후속 모델 추론을 용이하게 합니다. 병변 인식 모듈은 분류와 분할을 모두 수행하여 병변 확률을 추정하고 잠재적인 병변 영역을 식별합니다. 마지막으로 데이터 후처리 모듈에서는 분류 결과를 의사결정 수준 융합하고, 병변 부위에 자동으로 주석을 달고, 의무기록 정보를 결합해 병리학적 유형을 예측하는 보조 진단 결과를 생성한다.

다기관 전향적 보조 진단 시스템 최적화 및 임상 적용 검증 3개 연구 센터의 부인과 종양학 팀 간의 협력을 통해 다중 모드 난소 종양 보조 진단 시스템은 수술 병리학 결과를 최적 기준으로 사용하여 다기관 전향적 임상 적용을 수행하게 됩니다. 다중 모드 난소 종양 보조 진단 시스템의 전체적 및 다양한 병리학적 범주 전반에 걸친 진단 성능은 특이성, 민감도, 양성 예측 값, 음성 예측 값 및 하위 영역과 같은 지표를 비교하여 메인 센터와 보조 센터에서 평가됩니다. ROC 곡선(AUC). 시스템은 성능을 개선하기 위해 지속적으로 검증되고 최적화됩니다. 보조진단 시스템의 임상적 유효성을 평가하기 위해 3개 연구센터의 난소종양 보조진단 시스템 적용 전후의 수술 전 진단과 수술 후 병리학적 결과의 일관성을 비교하고자 한다.

수평적 연합학습 기반 다기관 보조진단 시스템 최적화 패러다임 수평적 연합학습 기반 다기관 보조진단 시스템 최적화 패러다임은 메인센터에서 보조진단 모델을 관리하고 배포하는 일을 포함한다. 다른 센터에서는 자체 데이터를 사용하여 보조 진단 시스템을 미세 조정하고 업데이트된 매개변수를 메인 센터에 제공하는 증분 학습 메커니즘을 적용합니다. 이 프로세스는 센터 전체에서 데이터 프라이버시를 유지하면서 난소 종양에 대한 향상된 지능적 인식을 보장합니다. 먼저 메인센터는 AI 기반 다중모달 난소종양 예측 모델을 구축한다. 이 모델은 암호화되어 지점 센터에 배포됩니다. 지점 센터는 특정 데이터 풀 크기에 도달하고 주석 표준을 충족한 후 모델 최적화를 시작합니다. 마지막으로 모델을 미세 조정한 후 각 센터는 업데이트된 매개변수를 메인 센터에 업로드합니다. 메인 센터는 모델 성능을 평가하여 모델 버전 반복이 필요한지 결정합니다. 그렇다면 업데이트된 모델이 재분배되어 다기관 모델 최적화를 위한 수평 연합 학습의 폐쇄 루프를 달성합니다.

통계 분석 표본 크기 계산

1. 다중모달 난소종양 보조 진단 모델의 개발 단계 필요한 표본 크기는 경험 기반 모델 구축 방법인 EPV(Events per Variable) 방법을 사용하여 추정됩니다. 각 변수에는 일반적으로 10-20개의 긍정적인 이벤트가 필요합니다. 본 연구에서 연구자들은 EPV를 20으로 설정했습니다. 연구자들은 진단 모델에 20개의 독립 변수(및 더미 변수)가 포함되어 20 * 20 = 400개의 악성 사례가 필요할 것으로 예상합니다. 예비 데이터에 따르면 악성(진양성) 난소 종양 환자의 비율은 약 30%입니다. 따라서 필요한 총 표본 크기는 400 / 0.30 = 1334개 사례입니다. 20%의 데이터 손실률을 고려하면 훈련 세트의 최종 표본 크기는 1667개입니다. 훈련 세트와 검증 세트는 4:1 비율을 따르므로 검증 세트 샘플 크기는 418개 케이스가 됩니다. 따라서 필요한 총 표본 크기는 2084개 사례이며, 각 센터는 동일한 비율로 기여합니다.
2. 다기관, 전향적 시스템 임상 적용 검증 및 최적화 단계 연구의 이 부분에서는 주로 정확도 측정을 통해 보조 진단 시스템의 임상 적용 효과를 평가합니다. 따라서 진단검사의 표본크기 계산식을 사용한다.

Se=90%(진단 시스템의 민감도), Sp=90%(진단 시스템의 특이도), 통계 및 임상 전문가 의견을 바탕으로 errABS=5%는 예상 절대 오류 α=0.05를 나타냅니다. 표본 크기 계산 공식에 따르면 진양성 그룹에는 140개의 사례가 포함되어야 합니다. 예비 데이터에 따르면 악성(진양성) 난소 종양 환자의 비율은 약 30%입니다. 따라서 필요한 총 표본 크기는 140 / 0.30 = 467 케이스입니다. 추적 관찰 손실률이 20%임을 고려하면 최종 표본 크기는 584개 사례이며 각 센터는 동일한 비율로 기여합니다.

데이터 관리 모든 데이터는 연구용으로 설계된 전자 사례 보고서 양식(eCRF)에 등록됩니다. 각 부센터는 지정된 인력에 의해 관리되는 독립적인 데이터베이스를 구축하게 됩니다. 표준화된 데이터 입력 확인 프로세스가 확립되어 연구 프로토콜에 따라 데이터가 정확하고 시기적절하게 기록되도록 보장합니다. 업로드된 데이터의 정확성과 완전성을 확인하기 위해 정기적인 평가가 실시됩니다. 각 센터의 데이터 관리자는 eCRF에 수집된 데이터를 의료 기록 등 원본 문서와 비교하여 확인하고 데이터 수집 프로세스를 검토합니다. 메인센터 직원은 모든 참여센터를 대상으로 정기적인 현장점검을 실시해 데이터의 진위 여부를 확인할 예정이다. 이 연구에서는 개인 정보 보호 컴퓨팅 기술을 사용하여 각 센터 데이터의 독립성과 보안을 보장하고, 데이터 개인 정보 보호를 보장하면서 다기관 모델 최적화 및 검증을 위한 서비스를 제공할 것입니다.

데이터 분석 정규 분포를 따르는 연속 데이터의 경우 그룹 간 비교는 독립 표본 t-검정을 사용하고 그룹 내 비교는 쌍 t-검정을 사용하여 수행됩니다. 비정규 분포 연속 데이터 및 순서 데이터의 경우 그룹 간 비교에는 Mann-Whitney U 테스트가 사용되고 그룹 내 비교에는 Wilcoxon 부호 순위 테스트가 사용됩니다. 정렬되지 않은 범주형 데이터의 경우 그룹 간 비교에는 카이제곱(χ²) 테스트 또는 Fisher의 정확 테스트를 사용하고 그룹 내 비교에는 McNemar 테스트를 사용합니다. ROC 곡선 아래 영역(AUC)은 다음을 사용하여 통계적으로 테스트됩니다. DeLong 테스트와 민감도 및 특이도는 Jeffreys 간격을 사용하여 계산됩니다. 동일한 피험자 간의 상관 관계를 고려하여 그룹 간 비교에는 중심 효과를 조정한 GEE(Generalized Estimation Equation) 방법을 사용합니다. 다른 지표의 분석은 기준 분석과 동일한 방법론을 따릅니다.