AI로 강화된 뇌종양 수술을 위한 수술 중 초음파 (BrainUS-AI)

뇌종양 수술은 뇌의 복잡한 해부학적 구조와 이러한 병변들이 종종 기능적 부위 근처에 위치한 침습적 특성으로 인해 주요한 도전 과제를 제시합니다. 환자의 생존율을 결정하는 핵심 요소 중 하나는 신경학적 기능을 손상시키지 않고 달성할 수 있는 경우, 종양 절제 범위입니다 1. 안전한 절제를 극대화하기 위해 신경외과 의사들은 형광제, 뉴런내비게이션, 직접 전기 자극, 그리고 가장 주목할 만한 수술 중 자기공명영상(ioMRI)과 수술 중 초음파(ioUS)를 포함한 다양한 수술 중 보조 장치에 의존합니다 2.

ioMRI는 우수한 해상도와 정확도를 제공하지만, 높은 비용, 물류적 요구 사항, 통합의 복잡성으로 인해 소수의 전문 센터에서만 사용 가능합니다 3. 반면, ioUS는 저비용이며 다재다능한 방식으로 수술 워크플로우에 자연스럽게 통합됩니다 4-6. 그럼에도 불구하고, 더 넓은 채택은 몇 가지 요인들로 인해 제한되었습니다: 높은 조작자 의존성, 가파른 학습 곡선, 그리고 인공물, 비표준 이미징 평면, 종양과 정상 뇌 사이의 낮은 대비, 제한된 시야와 관련된 해석의 어려움입니다.

지난 수십 년 동안, 뇌종양의 AI 기반 분할에 대한 연구는 상당히 발전했지만, 대부분의 작업은 MRI에 집중되었습니다 7. ioUS의 맥락에서, Ritschel et al. 8과 같은 초기 연구는 지도 분류 모델(예: 서포트 벡터 머신)이 조영 증강 초음파에서 종양을 건강한 조직과 구별할 수 있음을 보여주었지만, 이러한 접근 방식은 노동 집약적이었고 소규모 데이터셋에 국한되었습니다. Ilunga-Mbuyamba et al. 9는 나중에 분할을 향상시키기 위해 ioUS와 MRI 간의 다중모드 등록을 조사했지만, 정확한 공동 등록이 필요하다는 점에서 임상적 타당성이 제한되었습니다. 보다 최근에, Canalini et al. 10과 Carton et al. 11의 딥러닝 기반 접근 방식이 ioUS 이미지에서 수술 공동과 종양 부피를 분할하는 데 적용되었습니다.

Faanes et al. 12가 보고한 것과 같은 최첨단 방법들은 nnU-Net 아키텍처를 사용하여 RESECT-SEG 13과 ReMIND 14와 같은 공개 데이터셋에서 0.6-0.9의 유망한 다이스 유사성 계수를 달성했습니다. 그러나 이러한 모델들은 실시간 추론을 위해 설계되지 않았으며, 실시간 수술 환경에서 검증을 거치지 않았습니다. Dorent et al. 15와 같은 다른 접근 방식들은 수술 전 MRI에서 파생된 합성 초음파 이미지에 의존하여, 실제 ioUS 데이터에 대한 일반화 가능성에 대한 우려를 제기했습니다. 전반적으로, 이러한 진전에도 불구하고, 더 낮은 공간 해상도, 이미지 이질성, 획득 프로토콜의 변동성을 포함한 ioUS의 고유한 도전 과제들로 인해 임상적 적용은 제한적입니다.

다른 의학 분야에서, AI 지원 초음파 분할은 실시간 타당성을 입증했습니다. 예를 들어, Hu et al. 16은 초당 16프레임(FPS)으로 유방 병변 분할을 위한 U-Net 기반 모델을 구현하여 다이스 점수가 0.75를 초과했으며, Wei et al. 17은 YOLO 기반 감지를 적용하여 경동맥 플라크를 39 FPS에서 98.5% 정확도로 식별했습니다. 효율성과 정확성에도 불구하고, 유사한 접근 방식들은 ioUS를 사용한 뇌종양 수술을 위해 아직 구현되고 임상적으로 검증되지 않았습니다.

우리 프로젝트는 실시간 수술 중 뇌종양 초음파를 위해 특별히 설계된 프로토타입 딥러닝 기반 분할 모델의 다기관, 전향적, 비무작위 검증을 수행함으로써 이 격차를 해결하는 것을 목표로 합니다. 이 모델은 수술 프레임 속도로 작동하며, 실시간 초음파 피드에서 직접 종양 경계를 자동으로 구획하여, 수술 중 의사 결정을 지원하고, 종양학적으로 적절할 때 절제 범위를 극대화하며, 신경학적 기능을 보존하는 것을 목표로 합니다.

이 연구는 우리의 사전 작업을 기반으로 하며, 제안된 검증을 위한 강력한 과학적 기반을 마련했습니다. 우리의 최근 출판물, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18에서, 우리는 다기관 데이터를 사용하여 뇌종양 분할을 위한 딥러닝 모델을 훈련하고 검증했으며, 이는 ioUS 연구의 이정표를 표시했습니다. 두 번째 연구, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19에서, 우리는 실시간 컴퓨터 비전 감지 모델을 수술실에서 개발하고 전향적으로 평가했습니다. 함께, 이러한 기여들은 본 연구의 목표와 직접적으로 일치하는 수술 중 초음파에서 실시간 AI 기반 분할을 발전시키기 위한 강력한 프레임워크를 제공합니다.