초음파 스캔을 통해 자궁선근증을 진단하고 분류하기 위한 인공지능 기반 기계 학습: 다기관 모델 개발 연구

배경: 자궁선근증은 자궁근층(자궁 근육층)에 이소성 자궁내막 세포(자궁 내막 세포)가 존재하는 것을 특징으로 하는 양성 부인과 질환입니다. 전 세계적으로 자궁선근증은 청소년기부터 폐경 전후기까지 삶의 모든 단계에 걸쳐 여성과 소녀들에게 널리 퍼져 있지만 여전히 과소 진단되고 있습니다. 자궁선근증이 있는 여성은 과도한 월경 출혈, 고통스러운 월경 주기, 만성 골반 통증, 예상치 못한 임신 결과 등의 쇠약해지는 증상을 경험하여 삶의 질에 장기적인 영향을 미칩니다.

선근증의 진단 및 분류는 증상의 심각도와 상관관계를 갖는 데 필수적일 뿐만 아니라 여성에게 질병 예후, 관리 유형 및 선근증 결과의 장기적인 영향에 대해 상담하는 데에도 중요합니다. 그러나 심각도를 분류하는 것은 시간이 많이 걸리고 복잡한 과정일 뿐만 아니라 운영자의 경험에 따라 달라지며 주관적입니다. 운영자의 전문 지식과 관계없이 운영자 편견을 줄이면서 짧은 시간 안에 동일한 결과를 얻는 것이 유익할 것입니다.

이미지 분류 작업을 처리할 때 머신러닝(ML)은 의료 전문가가 선근증의 심각도를 몇 초 만에 객관적으로 분류하는 데 도움을 주는 엄청난 잠재력을 가지고 있습니다. 딥 러닝 프레임워크와 자동화된 기계 학습 도구는 자동화된 질경유 초음파 검사(TVUS) 이미지 분석을 위한 최첨단 도구입니다. 사전에 수동으로 특징을 정의할 필요 없이 심층 아키텍처 모델을 사용하여 초음파 영상에서 획득한 중~고수준 추상 특징을 직접 처리하고 자동으로 학습할 수 있습니다. 이를 통해 분류를 위해 레이블이 지정된 예시 이미지를 사용하여 기계 학습 모델을 교육, 테스트 및 검증할 수 있습니다.

연구의 목적은 입력 이미지가 없음, 경도, 보통 또는 클래스 중 하나에 속하는지 예측하는 지도 딥 러닝을 사용하여 신경망을 훈련하기 위해 정상 자궁과 다양한 심각도의 자궁선근증에 대한 주석이 달린 초음파 이미지를 사용하는 것입니다. 심각한 선근증. 이것은 새로운 프로젝트가 될 것이며 임상의와 초음파검사자가 미래에 자궁선근증의 중증도를 짧은 시간 안에 등급을 매기는 데 도움이 될 것입니다.

목표: 자궁선근증의 중증도에 대한 초음파 분류 알고리즘 생성을 위해 자동화된 기계 학습 도구(Vertex AI) 및 딥 러닝 프레임워크(Pytorch)를 통한 지도 딥 러닝을 활용하는 이미지 인식 모델의 사용을 조사합니다.

연구 설계 및 설정:

연구 유형: 이것은 다기관 관찰 코호트 연구가 될 것입니다. APPRAISE-AI 및 예측 모델 편향 위험 평가 도구 - 인공 지능(PROBAST-AI) 도구가 프로토콜 개발에 참조되었습니다.

설정: 정상적인 자궁과 자궁선근증이 있는 환자의 초음파 이미지는 영국의 10개 CARE 불임 센터에서 검색됩니다. 여기에는 버밍엄, 탬워스, 노팅엄, 노샘프턴, 셰필드, 리즈, 맨체스터, 볼튼, 체셔 및 리버풀의 CARE Fertility 사이트가 포함됩니다.

모집단: 연구 코호트는 2022년 2월부터 2024년 2월 사이에 초음파를 위한 CARE 불임 센터에 다녔으며 영상 스크리닝에 대한 형태학적 자궁 초음파 평가(MUSA) 기준을 사용하여 정상 자궁 및 선근증으로 진단된 환자의 초음파 영상으로 구성됩니다. MUSA 기준은 표준화된 용어, 정의 및 측정을 사용하여 자궁근층 및 자궁근층 병변의 초음파 특징을 설명합니다.

이전에 발표된 선근증 중증도의 도식적 매핑 시스템은 이미지 검토 시 자궁 선근증의 중증도를 결정하는 데 사용될 것입니다. 이는 재현성, 거의 완벽한 관찰자 간 동의율 및 증상 심각도와의 임상적 상관관계로 인해 선택되었습니다. 1에서 4까지의 점수는 각 등급에 귀속되며 점수 숫자의 합은 질병의 확장을 계산하는 데 사용됩니다: 경증(1-3), 중등도(4-6), 중증(>7) . 기간: 2022년 2월부터 2024년 2월까지 수행된 초음파 샘플 크기: Vertex AI Vision에서 학습을 위해 필요한 최소 이미지 수는 카테고리당 100개입니다. 카테고리를 성공적으로 인식할 가능성은 각 카테고리에 대한 고품질 예시의 수가 많을수록 높아집니다. 선근증을 분류하기 위한 알고리즘을 테스트하기 위한 목표 샘플 크기는 없음, 경증, 중등도 및 중증 선근증에 대해 각각 1000-10,000개의 이미지입니다. 전체 이미지 세트는 분류 범주 전체에 균등하게 배포됩니다. 그러나 각 카테고리에 대해 대략 동일한 수의 이미지를 소싱하는 것이 불가능할 수도 있습니다. 전체 데이터 세트는 9:1 비율로 두 개의 서로 다른 데이터 세트로 수동으로 분할됩니다. 선택한 이미지의 90%는 훈련 데이터 세트(훈련 + 검증)로 사용되고 10%는 테스트 데이터 세트로 사용됩니다. 이를 통해 각 카테고리에 다양하고 대표적인 이미지가 적절하게 포함될 수 있습니다. 테스트 데이터 세트는 훈련 단계에서 사용되지 않지만 훈련 단계에서 사용되는 데이터와 동일한 시설에서 얻는 독립적인 데이터 세트입니다.

편향의 잠재적 영향 최소화: 저장된 정상 및 자궁선근증 자궁의 모든 초음파 이미지는 식별 및 모집 편향을 피하기 위해 여성의 기본 특성을 모르는 부인과 및 생식 검사 경험이 있는 검토자가 검사합니다. 두 명의 검토자가 독립적으로 선근증의 심각도를 1000세트의 이미지에 대해 경증, 중등도, 중증으로 분류하여 일치성을 확립합니다.

AI 소프트웨어 세부정보:

기계 학습 유형 지도 딥 러닝: 지도 학습에서는 기계가 학습하려면 레이블이 지정된 예제가 필요합니다. 이 연구의 목적은 기계가 초음파로 진단된 자궁선근증의 다양한 심각도를 인식하도록 가르치는 것입니다. "없음", "약함", "보통" 및 "심함"으로 표시된 초음파 스캔 이미지가 입력으로 업로드됩니다. 예제를 연구하면 알고리즘은 정상 자궁과 경미한 선근증을 구별하고 경증과 중증 선근증을 구별하는 방법을 인식하고 분석하도록 요청된 각 새 이미지에 올바른 분류를 할당하는 방법을 학습합니다.

프레임워크 유형 및 버전: 자동화된 머신러닝 도구인 Google Cloud Vertex AI Vision API V1과 딥 머신러닝 프레임워크인 Pytorch의 최신 버전입니다.

입력 데이터 획득 및 선택: 모델에 대한 입력 데이터는 2022년 2월부터 2024년 2월 사이에 위에서 언급한 초음파 불임 센터에 참석하고 이미지 스크리닝에서 정상 자궁 및 자궁선근증으로 진단된 환자의 초음파 이미지에서 검색됩니다. 선근증 자궁 참가자의 적합한 초음파 영상은 환자 식별자를 제거한 후 2차원(2D) 및/또는 3차원(3D) 영상으로 추출됩니다. 환자에게 선근증 또는 정상 자궁의 이미지가 두 개 이상 있는 경우 이러한 이미지가 모두 포함됩니다. 이러한 이미지는 편향 위험을 줄이기 위해 검토자가 검토하고 이미지에 관심 있는 선근증 초음파 특성이 포함되어 있는지 확인하도록 형식화됩니다. 이러한 검토 및 형식화된 이미지는 초음파 진단 및 자궁선근증 분류에 경험이 있는 2명의 검토자가 없음, 경증, 중등도 및 중증으로 표시됩니다. 세 가지 입력 이미지 세트가 기계 학습 프레임워크에 업로드됩니다.

1. 훈련 세트: 이미지 데이터의 80%가 훈련 세트에 포함됩니다. 모델은 이 데이터를 "보고" 초기에 학습합니다.
2. 검증 세트: 검증 세트도 훈련 프로세스의 일부이지만 모델의 하이퍼파라미터를 조정하기 위해 별도로 보관됩니다. 훈련 데이터 세트와 다른 전체 이미지 중 10%가 모델 구조를 미세 조정하는 데 사용됩니다. 더 잘 일반화할 수 있습니다.
3. 테스트 세트: 테스트 세트는 학습 과정이 끝난 후에만 단계에 들어갑니다. 아직 보지 못한 데이터에 대한 모델의 성능을 테스트하는 데 사용됩니다. 전체 이미지의 10%가 테스트 세트로 사용됩니다. 라벨이 지정되지 않은 테스트 이미지가 시스템에 업로드되고 인공 지능(AI) 모델의 성능이 표준, 즉 조사관의 원래 분류와 비교됩니다. 전체 이미지 데이터를 훈련 세트, 검증 세트, 테스트 세트로 분할하는 작업은 수동으로 수행됩니다. 품질이 낮거나 사용할 수 없는 입력 데이터 처리: 해당 이미지는 제외됩니다.

자격 기준:

포함:

A. 대상자: 2022년 2월부터 2024년 2월까지 위에 언급한 초음파 검사 센터에 어떤 적응증으로든 내원했으며, 영상 검사에서 초음파 검사 결과 정상 자궁 및 선근증으로 진단된 여성입니다.

B. 입력 데이터: 선근증의 초음파 특성이 명확하게 보이는 정상 자궁 및 선근증 자궁의 우수한 품질과 결정적인 2D 및/또는 3D 이미지.

제외:

A. 참가자: 단일 또는 다발성 근종과 자궁내막강 이상이 공존하는 여성.

B. 입력 데이터: 검토자의 평가에서 결론이 나지 않은 초음파, 자궁선근증의 초음파 특성이 불분명한 품질이 낮은 영상, 4가지 범주 중 하나로 분류할 수 없는 영상은 제외됩니다.

동의:

이 연구는 연구의 일부로 수행되는 개입이나 추가 단계 없이 순전히 관찰입니다. 정상 및 선근증 자궁의 초음파 영상은 여성이 일상적인 임상 실습의 일부인 TVUS를 겪을 때 획득되었을 것입니다. 초음파 기계에서는 환자 식별 정보 없이 이미지를 내보낼 수 있으므로 데이터(초음파 이미지만 포함)에서는 데이터를 추출하기 전에 환자 식별 정보(이름 및 생년월일)가 제거됩니다. 동의 없이 환자 정보를 처리하는 이 프로젝트의 적격성을 결정하기 위해 NHS 보건 연구 기관 기밀 자문 그룹(CAG) 신청 전 체크리스트가 참조되었습니다. 따라서 이미 사용 가능한 익명화된 데이터만 사용되므로 연구 참가자에게 사전 동의를 요청하지 않습니다.

결과 및 통계 분석

주요 결과: 평균 정밀도(긍정적 예측 값), 정밀도, 재현율, 수신자 작동 특성 곡선(AUC) 아래 영역, 모델의 민감도, 특이성 및 정확도는 자동화된 심층 기계 학습 모델에 대한 주요 관심 결과입니다. 모든 분석은 심층 기계 학습(ML) 프레임워크 모델을 위한 Stata Statistical Software(Release 18, TX, USA)를 사용하고 자동화된 ML 모델을 위한 자동화된 기계 학습 소프트웨어를 사용하여 수행됩니다. 자동화된 모델이 훈련된 후 보고될 모델 성능 요약으로 구성된 세부 분석(모델 출력). 여기에는 다음이 포함됩니다.

• 점수 임계값: 점수 임계값은 모델이 테스트 항목에 범주를 할당해야 하는 신뢰도 수준을 나타냅니다. Google Cloud 콘솔의 점수 임계값 슬라이더는 데이터세트의 모든 카테고리와 개별 카테고리에 대한 다양한 임계값의 효과를 테스트하는 시각적 도구입니다. 평가 중에는 위양성(false positive)과 위음성(false negative) 간의 적절한 균형을 제공하는 점수 임계값이 채택됩니다.
• 참양성, 참음성, 거짓양성, 거짓음성
• 정밀도 및 재현율: 카테고리가 할당된 모든 테스트 이미지 세트에서 정밀도는 실제로 해당 레이블로 분류되어야 하는 이미지 수를 나타내고 재현율은 실제로 레이블이 할당된 이미지 수를 나타냅니다. 참조 표준 라벨은 연구자의 분류를 나타냅니다.
• 정밀도/재현율 곡선

2차 결과: Fleiss의 카파를 사용한 자궁선근증의 초음파 평가에서 두 검토자 간의 평가자 간 합의 평가. 합의 강도의 해석에 사용되는 K-계수는 다음과 같습니다: ≤0=나쁨, 0.01~0.20=약간, 0.21~0.40=보통, 0.41~0.60=보통, 0.61~0.80=상당함, 0.81~1=거의 완벽함 .

데이터 처리 및 기록 보관: 데이터(비식별 초음파 이미지)는 2018년 데이터 보호법에 따라 Google Cloud에 저장됩니다.

정상 및 자궁선근증 자궁 참가자의 적합한 초음파 이미지는 환자 식별자를 제거한 후 2D 및/또는 3D 이미지로 추출됩니다. 연구가 완료되면 Google Cloud에 저장된 이미지가 삭제됩니다.

품질 관리 및 보증: 연구 기간 동안 우수 임상 관리 원칙을 준수합니다.

이상사례 보고: 연구의 관찰적 성격과 기본 TVUS 외에 연구 설계에 관련된 추가 단계가 없다는 점을 고려하면 관련된 안전 고려 사항은 없습니다.

윤리적 고려사항:

윤리 승인은 지역 기관 검토 위원회(IRB)와 CARE Fertility 연구 개발 팀으로부터 얻었습니다.

기밀 유지 및 데이터 보호: 연구 참가자를 식별하는 데 고유한 이미지 식별 번호가 사용됩니다. 연구에 사용된 모든 개인 데이터는 2018년 데이터 보호법에 따라 처리되며 엄격하게 기밀로 간주됩니다.

자금: 이 프로젝트의 자금은 영국 버밍엄에 있는 Tommy 국립 유산 연구 센터에서 조달되었습니다.

이해상충: 본 연구와 관련된 이해상충은 없습니다.

수정: 연구 계획서 또는 문서에 대한 모든 수정은 수석 연구자가 시작합니다. 모든 실질적인 수정 사항은 IRB에 제출되어 승인을 받은 후 연구에 관련된 모든 현장에 변경 사항이 적용됩니다. 수정 사항은 연구 프로토콜의 '프로토콜 수정' 섹션에 문서화됩니다.

프로젝트 정의 종료: 데이터 수집 및 준비, 모델 교육 및 평가, 원고 작성은 12개월에 걸쳐 진행됩니다.

향후 연구 측면: 장기 목표는 보관된 이미지의 PACS 시스템을 사용하여 NHS(National Health Service)의 외부 센터에서 외부 검증을 위해 내부적으로 검증된 AI 모델을 분석하고 이를 자궁적출 표본의 조직병리학과 연관시키는 것입니다. 여기에는 모델이 의사 결정 및 결과에 미치는 영향을 평가하여 임상적 유용성을 분석하는 것도 포함됩니다. 모델의 성능이 양성예측도, 정밀도, 임상적 유용성 측면에서 적절하다면 온라인 예측을 활용해 실시간 활용이 가능하도록 구현될 예정이다. 모델은 온라인 애플리케이션 형태로 또는 초음파 기계 내에 통합된 애플리케이션으로 분류 요청을 위해 배포될 수 있습니다.

출판 정책: 연구 결과는 과학 및 소셜 미디어를 통해 공유됩니다. 연구 결과는 산부인과 초음파(UOG) 분야의 동료 심사 저널에 제출됩니다. 란셋 디지털 헬스). 원고는 Ishita Mishra 박사가 준비하며 저자는 원고 연구 및 집필에 대한 개인의 기여 정도에 따라 결정됩니다.