신경영상 진단 특화 파운데이션 모델의 임상 적용성 검증

신경계 질환은 인간 건강에 심각한 위협을 가하며 상당한 사회경제적 부담을 초래합니다. CT 및 MRI를 포함한 영상 검사는 질병 선별, 비침습적 진단 및 치료 결정 지도에 있어 불가결한 역할을 합니다. 인공지능(AI) 도구는 방사선 전문의의 생산성 향상과 환자 대기 시간 단축에 있어 유망한 임상 적용 가능성을 보여주고 있으며, 특히 중환자 치료 환경과 의료 서비스가 부족한 지역에서 그러합니다. 기반 모델로 훈련된 AI 도구는 신뢰할 수 있는 일반화 능력을 갖추고 복잡한 임상 시나리오에 적응할 수 있어야 하지만, 현재의 AI 시스템은 실제 임상 현장에서 강건한 검증이 부족한 경우가 많습니다.

정밀의학에 대한 수요 증가와 의료 영상 데이터의 급증에 직면하여, 임상 시험은 AI 지원 시스템의 진단 효능과 더 넓은 임상 환경에서의 적용 가능성을 검증하는 데 필수적입니다. 다학제 팀(AI, 영상의학, 응급의학, 신경학, 병리학 전문 지식 통합)과 선행 연구 경험을 바탕으로, 본 연구는 시험의 신뢰성을 보장하고 궁극적으로 임상 적용을 촉진하기 위해 포괄적이고 강건한 연구 프로토콜을 설계하였습니다.

본 연구는 뇌 CT 및 MRI에 대한 신경영상 기반 모델과 협업하는 방사선 전문의의 작업 성능이 독립적으로 작업하는 전문의의 성능에 비해 열등하지 않을 것이라고 가정합니다. 2차 종료점으로, 우리는 실제 임상 환경에서 AI 도구의 AI-방사선 전문의 협업 성능을 조사합니다. 이 임상 시험은 다음과 같은 세 가지 하위 연구를 포함합니다:

1. 이상 사례 식별 연구 뇌 스캔(CT 및 MRI 모두에서 정상 및 모든 신경계 질환 포함)을 무작위로 두 그룹의 방사선 전문의에게 제공하여, AI 지원 시스템의 예측 라벨 유무에 따라 정상 또는 이상 사례로 분류하도록 합니다. AI와 협업하는 방사선 전문의와 독립적으로 작업하는 방사선 전문의의 민감도, 특이도 및 효율성을 비교합니다.
2. 중요 발견 식별 연구 이 연구는 1~3일 기간 내의 응급 CT 데이터를 전향적, 무작위로 선별하여 진행되었습니다. AI 통합 시 AI만, 사람만, 사람+AI의 세 가지 패러다임의 성능을 진단 정확도, 시간 효율성, 긴급 발견 식별 시 선행 시간(lead time)이라는 중요한 지표를 기준으로 각각 평가하여 사람만의 접근과 비교하였습니다.
3. 질병 분류 실험 특정 기간 동안 전향적으로 선별된 데이터셋(CT 및 MRI 검사 모두 포함)을 활용하였습니다. 이 실험은 사람만의 판독, AI만의 분석, 사람-AI 협업 판독을 포함한 세 가지 진단 접근법의 성능을 비교합니다. 파트 I: 작업 완료 시간, 진단 정확도, 진단 재현율(다중 라벨 사례의 경우)을 세 가지 방법에 대해 다음과 같이 계산하고 비교합니다: (1) 방사선 전문의가 독립적으로 제공된 질병 템플릿을 선택 및 활용하여 보고서를 생성한 후, 보고서에서 진단 라벨을 추출; (2) 방사선 전문의가 AI 생성 범주 라벨과 "midnights" 주요 분류 시스템 기반 AI 할당 보고서 템플릿의 도움으로 이미지를 탐색하며 보고서 생성; (3) AI가 완전한 보고서와 분류 라벨을 자동 생성. 파트 II: 원래 보고서를 작성한 방사선 전문의를 소환하여 연구를 재판독하게 하였으며, 이 재평가는 AI 생성 라벨과 일치하는 템플릿의 도움으로 수행되었습니다. 파트 III: 대규모 언어 모델/기반 모델의 분류 능력을 활용하여, 시스템을 여러 대규모 샘플 외부 테스트 세트에서 평가하여 정확도와 처리 시간을 측정하였습니다. 추가적으로, 다양한 범주의 사례에서 무작위 하위 집합을 선별하여 신경영상 전문의가 평가하게 하여, 진단 누락률과 오진률을 계산하였습니다.