머리와 목 부위 암성 병변에 대한 기계 학습 기반 위험 예측 모델 (ML-HNC-Risk)

발성 건강은 주요 공중보건 문제로 부상했습니다. 발성은 정밀한 신경근육 및 호흡 조정에 의존하며, 이 생리학적 과정은 체계적 노화, 다중질환 및 신경근육 퇴행에 의해 자주 손상됩니다. 이 복잡한 병태생리학적 상호작용은 임상적으로 초기 후두 악성 종양을 일반적인 양성 음성 장애(예: 성대 낭종, 성대 과정 육아종, 라인케 부종)와 구별하는 것을 극히 어렵게 만듭니다. 두 질환 모두 일반적으로 비특이적 쉰 목소리나 이물감으로 나타나기 때문에 조기 선별 및 정확한 감별 진단의 어려움이 상당히 증폭됩니다.

현재 음성 장애 진단은 후두경 검사에 크게 의존합니다. 그러나 의료 자원의 불균등한 분배로 인해 일차 및 지역사회 의료 환경에서는 일반적으로 초진 시 후두 악성 종양에 대한 효과적인 선별 도구가 부족하여 고위험 환자의 지연된 의뢰로 이어지는 경우가 많습니다. 더욱이, 다양한 의료 계층 간 내시경 해석 전문성에 심각한 격차가 존재합니다. 일부 전암성 병변(예: 이형성 백반증)과 초기 악성 종양의 시각적 특징이 상당히 중첩되어 양성 병변의 진단 누락 또는 불필요한 생검 위험이 높습니다. 따라서 인구통계학적 특성(예: 연령), 흡연 및 음주력, 임상 증상학을 포함한 다차원 지표를 체계적으로 위험 평가에 통합하는 것은 악성 종양의 조기 발견과 의료 자원의 최적 할당에 중요합니다.

최근 몇 년간 딥러닝 기반 인공지능(AI)은 의료 영상 특징 추출에서 막대한 잠재력을 보여주며 인간의 눈으로 인지할 수 없는 미세한 형태학적 질감을 포착할 수 있습니다. 그러나 후두 악성 종양의 발암 및 진행은 다차원 요인의 결합에 의해 주도됩니다. 복잡한 실제 임상 시나리오에 직면할 때, 단일 양상 영상 모델은 환자의 인구통계학적, 증상적, 행동적 노출 맥락이 부족하여 일반화 능력 감소 및 높은 위양성률을 겪는 경우가 많습니다. 실제 임상 의사결정은 고립된 영상 해석 작업이 아니라 시각적 특징과 다차원 임상 메타데이터의 체계적 통합을 필요로 합니다. 따라서 다중 양상 데이터를 융합할 수 있는 지능형 진단 프레임워크 개발은 현재 단일 양상 AI 영상 도구의 적용 병목 현상을 극복하는 데 필수적입니다.

이러한 임상적 문제점과 기술적 한계를 해결하기 위해, 본 연구는 약 11,000명의 음성 장애 환자를 포함하는 전국 다기관 코호트를 활용하여 2단계 다중 양상 AI 위험 계층화 및 진단 프레임워크를 개발하고 검증했습니다. 첫 번째 단계에서는 인구통계학적 특성, 행동적 노출 및 임상 증상학을 통합하여 연구자들은 비침습적, 저비용 임상 선별 모델을 개발했습니다. 이 도구는 일차 의료 환경과 환자에게 악성 종양에 대한 즉각적이고 효율적인 조기 경보 시스템을 제공하도록 설계되었습니다. 두 번째 단계에서는 이 초기 위험 계층화를 기반으로 연구자들은 딥러닝 알고리즘을 사용하여 내시경 영상에서 미세한 시각적 특징을 추출하여 다중 양상 진단 모델을 완성했습니다. 이 모델은 후두 악성 종양, 일반적인 양성 성대 병변 및 정상 후두 해부학 사이의 정확한 다중 클래스 분류를 달성합니다. 또한 연구자들은 실시간 위험 추정을 용이하게 하기 위해 클라우드 기반 웹 애플리케이션을 배포했습니다.

궁극적으로, 이 임상 등급 AI 진단 보조 도구를 제공함으로써 본 연구는 음성 장애의 계층적 선별 및 진단 경로를 최적화하여 일반의 및 일차 진료 이비인후과 의사의 임상 의사결정 및 진단 정확도 향상을 목표로 합니다.