[논문]인공지능 기술 기반의 의료영상 판독 보조 시스템의 효율성 분석 : ISO/IEC 25023 소프트웨어 품질 요구사항의 Time Behavior를 중심으로

한창화; 전영황; 한재복; 송종남

doi:10.7742/jksr.2023.17.6.939

인공지능 기술 기반의 의료영상 판독 보조 시스템의 효율성 분석 : ISO/IEC 25023 소프트웨어 품질 요구사항의 Time Behavior를 중심으로
An Efficiency Analysis of an Artificial Intelligence Medical Image Analysis Software System : Focusing on the Time Behavior of ISO/IEC 25023 Software Quality Requirements 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.6, 2023년, pp.939 - 945

한창화 (동신대학교 방사선학과) , 전영황 (동신대학교 방사선학과) , 한재복 (동신대학교 방사선학과) , 송종남 (동신대학교 방사선학과)

초록
AI-Helper

본 연구는 영상의학 분야에서 인공지능(AI) 기술 기반의 판독 보조 시스템의 'Time Behavior(시간반응성)' 속성을 측정하여 '성능 효율성'을 분석하였다. 의료 영상의 증가와 영상의학 전문의 수의 한계로 인해 인공지능(AI) 기술 기반의 솔루션이 증가하고 있으며, 관련된 연구가 많이 수행되고 있다. 하지만 대부분의 선행 연구가 인공지능의 진단 정확도에 초점을 맞췄다면, 본 연구는 Time Behavior의 중요성을 강조하여 수행하였다. 50개의 흉부 엑스레이 PA 이미지를 사용하여 측정한 결과, 평균 15.24초 만에 영상을 처리하여 높은 일관성과 안정성을 보여주었고, 이 처리 속도는 유명 글로벌 AI 플랫폼과 동등한 수준으로 영상의학과 워크플로우 효율성 부분에 크게 개선될 수 있는 가능성을 제시하였다. 앞으로 인공지능 기술이 영상의학 분야에서 큰 역할을 담당하여, 전반적인 의료 품질 향상과 효율성을 개선하는 데 도움이 될 것으로 기대한다.

Abstract ▼ AI-Helper

This study analyzes the 'performance efficiency' of AI-based reading assistance systems in the field of radiology by measuring their 'time behavior' properties. Due to the increase in medical images and the limited number of radiologists, the adoption of AI-based solutions is escalating, stimulating a multitude of studies in this area. Contrary to the majority of past research which centered on AI's diagnostic precision, this study underlines the significance of time behavior. Using 50 chest X-ray PA images, the system processed images in an average of 15.24 seconds, demonstrating high consistency and reliability, which is on par with leading global AI platforms, suggesting the potential for significant improvements in radiology workflow efficiency. We expect AI technology to play a large role in the field of radiology and help improve overall healthcare quality and efficiency.

주제어

표/그림 (7)

그림 Fig. 1. Measurement of System and Software Product Quality of ISO/IEC 25023.
그림 Fig. 2. Research Materials.
그림 Fig. 3. Network System Configuration Diagram.
그림 Fig. 4. Box plot.
표 Table 1. Measurement Method Definition
표 Table 2. Performance Time Measurement
표 Table 3. Compare of Time Behavior

AI 본문요약
AI-Helper

제안 방법

흉부 X-ray PA 촬영 이미지 50개를 활용하여 인공지능 기술 기반의 판독 보조 시스템의 ‘Time Behavior’를 평가하였고, 그 결과는 Table 2와 Fig

데이터처리

또한, Time Behavior의 평가는 IBM SPSS Statistics v29(IBM Corp, Armonk, N.Y, USA) 소프트웨어를 활용하여 평균, 표준 편차, 95%의 신뢰도 등 기술 통계량 분석을 통하여 데이터 특징을 평가하였다.

성능/효과

국제 규격인 ISO/IEC 25023:2016에 정의된 소프트웨어 기기의 품질특성을 ISO/IEC 25051:2014에 따라서 분석한 결과, 본 연구에서 사용된 인공지능 판독 보조 시스템이 ‘일관되고 효율적인 처리 속도를 유지’하는 것으로 분석되었다
본 연구에서는 인공지능(AI) 기술 기반 판독 보조 시스템의 품질특성을 Time Behavior 측면에서 품질 성능을 분석한 결과, 짧은 편차의 일관된 처리 속도 유지로 뛰어난 안정성과 시간 효율성 유지를 보여주었고, 세계적인 인공지능 시스템과의 비교에서도 성능 효율성 부분에서 차이가 없다는 것을 보여주었다.
국제 규격인 ISO/IEC 25023:2016에 정의된 소프트웨어 기기의 품질특성을 ISO/IEC 25051:2014에 따라서 분석한 결과, 본 연구에서 사용된 인공지능 판독 보조 시스템이 ‘일관되고 효율적인 처리 속도를 유지’하는 것으로 분석되었다. 최소 및 최대 처리시간이 각각 15.01 sec와 15.79 sec의 제한된 범위와 .17995의 짧은 표준 편차로 이 시스템은 뛰어난 안정성과 시간 효율성 유지를 보여주었고, 처리 속도를 일관되게 유지하는 이러한 능력은 영상의학에서 사용되는 모든 인공지능 기술 기반의 판독 보조 시스템 필수 속성인 Time Behavior 측면에서 품질 성능이 우수하다는 것을 뒷받침한다.

후속연구

이러한 연구 결과는 영상의학 분야에서 인공지능 기술의 역할과 잠재력을 이해하는 데 기여하며, 인공지능 기술 활용으로 정확하고 효율적인 질병 진단을 통하여, 병원의 전반적인 의료 품질 향상과 효율성을 개선하는 데 도움을 줄 것으로 기대한다.
이번 연구에는 50개의 흉부 X-ray PA 이미지를 사용하였지만, 향후 연구에서는 더 많은 양의 데이터와 다양한 영상 데이터 세트를 분석하여 본 연구의 결과를 확고히 하고자 하며, 성능 효율성 향상 측면에서 환자의 치료 결과와 영상의학 전문의의 업무량에 미치는 영향을 조사와 CPU, GPU, 메모리와 같은 추가 컴퓨팅 리소스가 시스템의 효율성을 높이는 데 어떤 영향을 미치는지에 대한 연구의 확장도 필요해 추가 연구를 하고자 한다.

참고문헌 (23)

J. S. Jo, "Patent Technology for Convergence of AI and Medical Technology Between Korean and Japan in the Fourth Industrial Revolution", Journal of Digital Contents Society, Vol. 20, No. 9, pp. 1883-1892, 2019. http://dx.doi.org/10.9728/dcs.2019.20.9.1883？

상세보기
S. H. Kim, "Biomedical Applications of Artificial Intelligence and Policy Issues", Korea Policy Center for the Fourth Industrial Revolution, ISSUE PAPER No. 7, 2019.？
M. J. Jung, D. W. Park, Y. S. Jung, J. S. Jung, "Global AI Pathology and Imaging Industry and System Trends Report", Korea Health Industry Development Institute, Vol. 66,
B. R. Kim, O. Y. Kwon, "XAI, the Explainable Artificial Intelligence technology that pushes the boundaries of medical AI", Korea Health Industry Development Institute, Health Industry Brief, Vol. 340, 2021.？
G. S. Lodwick, "Computer-aided Diagnosis in Radiology", Investigative Radiology, Vol. 1, No. 1, pp. 72-80, 1966. https://doi.org/10.1097/00004424-196601000-00032？

상세보기
S. H, Hwang, "The evolution of medical imaging technology powered by deep learning", Kakao AI Report, Vol. 5, 2017.
S. Y. Lee, "Computer-Aided Diagnosis technology", The proceedings of KIEE, Vol. 60, No. 7, pp. 59-64, 2011.？
A. Rimmer, "Radiologist shortage leaves patient care at risk, warns royal college", British Medical Journal, Vol. 359, 2017. https://doi.org/10.1136/bmj.j4683？
Y. Nakajima, K. Yamada, K. Imamura, K. Kobayashi, "Radiologist supply and workload: international comparison", Radiation Medicine, Vol. 26, No. 8, pp. 455-465, 2008. https://doi.org/10.1007/s11604-008-0259-2？

상세보기
C. N. Lee, S. S. Lee, J. E. Kim, K. H. Huh, W. J. Yi, M. S. Heo, S. C. Choi, "Comparison of dosimetry methods for panoramic radiography: thermoluminescent dosimeter measurement versus personal computer-based Monte Carlo method calculation", Oral surgery, oral medicine, oral pathology and oral radiology, Vol. 121, No. 3, pp. 322-329, 2016. https://doi.org/10.1016/j.oooo.2015.10.030？

상세보기
R. Singh, M. K. Kalra, C. Nitiwarangkul, J. A. Patti, F. Homayounieh, A. Padole, P. Rao, P. Putha, V. V. Muse, A. Sharma, S. R. Digumarthy, "Deep learning in chest radiography: Detection of findings and presence of change", PLOS ONE, Vol. 13, No. 10, pp. e0204155, 2018, https://doi.org/10.1371/journal.pone.0204155？

상세보기
A. Majkowska, S. Mittal, D. F. Steiner, J. J. Reicher, S. M. McKinney, G. E. Duggan, K. Eswaran, P. H. C. Chen, Y. Liu, S. R. Kalidindi, A. Ding, G. S. Corrado, D. Tse, S. Shetty, "Chest Radiography Interpretation with Deep Learning Models: Assessment with Radiologist-Adjudicated Reference Standards and Population-Adjusted Evaluation", Radiology, Vol. 294, No. 2, pp. 421-431, 2020. https://doi.org/10.1148/radiol.2019191293？

상세보기
S. M. Anwar, M. Majid, A. Qayyum, M. Awais, M. Alnowami, M. K. Khan, "Medical Image Analysis using Convolutional Neural Networks: A Review", Journal of Medical Systems, Vol. 42, No. 11, pp. 226-240, 2018. https://doi.org/10.1007/s10916-018-1088-1？

상세보기
G. Litjens, T. Kooi, B. E. Bejnordi, A. A. A. Setio, F. Ciompi, M. Ghafoorian, J. A. W. M. Laak, B. Ginneken, C. I. Sanchez, "A survey on deep learning in medical image analysis", Medical Image Analysis, Vol. 42, pp. 60-88, 2017. http://dx.doi.org/10.1016/j.media.2017.07.005？

상세보기
ISO/IEC25023, Systems and software engineering Systems and software Quality Requirements and Evaluation(SQuaRE) Measurement of system and software product quality, 2016.？
National Information Society Agency, From URL; https://www.aihub.or.kr/aihubdata/data/view.do?currMenu115&topMenu100&aihubDataSerealm&dataSetSn652？
ISO/IEC 25051, Software engineering, 2014.？
X. Li, L. Shen, X. Xie,S. Huang, Z. Xie, X. Hong, J. Yu, "Multi-resolution convolutional networks for chest X-ray radiograph based lung nodule detection", Artificial Intelligence in Medicine, Vol. 103, pp. 101744, 2020. https://doi.org/10.1016/j.artmed.2019.101744？

상세보기
U. S. Food & Drug Administration(FDA), HealthPNX Zebra Medical Vision Ltd. K190362, 2019. From URL; https://www.accessdata.fda.gov/cdrh_docs/pdf19/K190362.pdf？
U. S. Food & Drug Administration(FDA), Behold. ai Technologies Limited's red dot TM . K191556, 2020. From URL; https://www.accessdata.fda.gov/cdrh_docs/pdf19/K191556.pdf？
U. S. Food & Drug Administration(FDA), Lunit Inc. K211733, 2021. From URL; https://www.accessdata.fda.gov/cdrh_docs/pdf21/K211733.pdf？
L. Berlin, "Faster Reporting Speed and Interpretation Errors: Conjecture, Evidence, and Malpractice Implications", Journal of the American College of Radiology, Vol. 12, No. 9, pp. 894-896, 2015. https://doi.org/10.1016/j.jacr.2015.06.010？

상세보기
A. Govindarajan, A. Govindarajan, S. Tanamala, S. Chattoraj, B. Reddy, R. Agrawal, D. Iyer, A. Srivastava, P. Kumar, P. Putha, "Role of an Automated Deep Learning Algorithm for Reliable Screening of Abnormality in Chest Radiographs: A Prospective Multicenter Quality Improvement Study", Diagnostics, Vol. 12, No. 11, pp. 2724, 2022. https://doi.org/10.3390/diagnostics12112724

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format