초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

방광암은 비뇨기계 암 중 가장 발생 빈도가 높고 두번째로 사망률이 높다. 특히, 방광암은 재발율이 70%로 예후가 좋지 않고, 재발된 환자 중 30%는 방광적출술을 시행하는 2기 이상으로 발전되기 때문에 방광 적출을 예방하기 위해서 조기에 진단하는 것이 중요하다. 또한, 방광암을 조기에 진단하기 위해서는 위음성률을 최소화하는 것도 중요하다. 하지만 현재 시행되고 있는 방광내시경, 요세포 검사 등과 같은 진단법은 침습적이고, 정확도가 낮아 위음성률이 높다는 문제점이 있다.
본 연구에서는 침습적이고 매우 낮은 정확도를 가진 현재 방광암 진단법의 한계를 극복하기 위하여 FET ...

방광암은 비뇨기계 암 중 가장 발생 빈도가 높고 두번째로 사망률이 높다. 특히, 방광암은 재발율이 70%로 예후가 좋지 않고, 재발된 환자 중 30%는 방광적출술을 시행하는 2기 이상으로 발전되기 때문에 방광 적출을 예방하기 위해서 조기에 진단하는 것이 중요하다. 또한, 방광암을 조기에 진단하기 위해서는 위음성률을 최소화하는 것도 중요하다. 하지만 현재 시행되고 있는 방광내시경, 요세포 검사 등과 같은 진단법은 침습적이고, 정확도가 낮아 위음성률이 높다는 문제점이 있다.
본 연구에서는 침습적이고 매우 낮은 정확도를 가진 현재 방광암 진단법의 한계를 극복하기 위하여 FET 바이오센서, 소변 그리고 인공지능 (AI) 분석을 활용하여 정밀하고 환자친화적인 방광암 검진법을 개발하고자 하였다. FET바이오센서로 소변 내 존재하는 4가지 진단인자 (CK8, CK18, PD-1, and PD-L1)를 검출하고 방광암 환자 소변과 정상군 소변의 전기 신호 변화를 비교분석하였다. 다중인자에서 검출된 신호의 패턴을 분석하여 진단 조건 확립하기 위해서 인공지능 분석을 활용하였다. CatBoost 알고리즘 기반의 인공지능 분석을 통해 암 환자 53명, 정상 30명에 대하여 민감도 90%, 특이도 73%, 정확도 84%를 확보하였다. 하지만, 인공지능 분석의 ‘블랙박스’ 특성은 결과 도출 과정의 근거가 불분명하여 잘못된 예측을 해결할 수 없다. 이에 본 연구에서는 설명이 가능한 인공지능 (XAI)을 해석 도구로 활용하여 진단 인자의 중요도를 분석하였고, 분석 결과를 바탕으로 최적의 진단인자 조합을 통해 위음성율을35%에서 7.4% 로 감소시켰다. 이 연구 결과는 방광암의 비침습적 검진을 위한 프로토콜 가이드로서 방광절제술 비율을 감소시키고 방광암 환자의 생존율을 높일 것으로 기대된다.

Abstract ▼ AI-Helper

Bladder cancer (BCa) is a common disease in the human urinary system and is the second highest mortality among genitourinary cancers. In particular, bladder cancer has a poor prognosis with a recurrence rate of 70, and 30% of them progress to muscle-invasive bladder cancer (MIBC), performing cystect...

Bladder cancer (BCa) is a common disease in the human urinary system and is the second highest mortality among genitourinary cancers. In particular, bladder cancer has a poor prognosis with a recurrence rate of 70, and 30% of them progress to muscle-invasive bladder cancer (MIBC), performing cystectomy. Thus, early detection is important to prevent cystectomy. Also, it has to minimize the false negative rate to diagnose early stage. However, current diagnosis methods, such as cystoscopy and urine cytology, face challenges in effectively detecting the early stages of bladder cancer. They are hampered by a lack of sensitivity, leading to low accuracy and high false-negative rate.
In this study, to overcome the limitations of current diagnosis methods, we developed non-invasive, accurate, and patient-friendly screening for BCa using field-effect transistor (FET) biosensor, voided urine, and artificial intelligence (AI) analysis. Four urinary biomarkers (CK8, CK18, PD-1, and PD-L1) are measured by FET biosensor, and changes in electrical signals from the sensor in urine of normal and bladder cancer patients were compared. Complex signals detected to multi-marker in urine were analyzed through AI to establish screening criteria. We obtained sensitivity, specificity, and accuracy of 90, 73, and 84%, respectively, for 53 bladder cancer patients and 30 normal by CatBoost. However, the ‘black-box’ nature of AI models poses challenges when addressing inevitable erroneous predictions, where the rationale behind the decisions remains unclear. Thus, we introduced explainable AI (XAI) as an interpretation tool that identified feature importance and ascertained optimal biomarker combinations, decreasing the false negative rate from 35% to 7.4%. XAI analysis improved the capability for disease prediction and ensured high sensitivity. Our results allow a decrease in cystectomy rate and increase the survival rate as a protocol guide for non-invasive screening of bladder cancer.

주제어