초록 ▼

연구개요
전이구역의 전립선암의 경우 초기 진단이 어려우나, 진단 이후에는 낮은 악성도로 인해 능동적 감시나 국소적 치료 등으로 환자의 불편과 국가적 의료비를 감소시킬 수 있다. 기존의 다변수 MRI 는 현재 전립선의 표준 영상기법임에도 불구하고, 양성 전립선 비대(BPH) 와 전이구역 전립선암의 감별에 한계를 드러내고 있으므로, 아직 이 주제에 적용되고 있지 않은 텍스쳐 분석의 유용성을 평가해 보고 실제 활용성을 타진해 보는 것은 매우 시의성이 있으며 임상상황에 바로 적용 가능할 수 있다는 점에 그 중요성이 있다. 본 연구는

연구개요
전이구역의 전립선암의 경우 초기 진단이 어려우나, 진단 이후에는 낮은 악성도로 인해 능동적 감시나 국소적 치료 등으로 환자의 불편과 국가적 의료비를 감소시킬 수 있다. 기존의 다변수 MRI 는 현재 전립선의 표준 영상기법임에도 불구하고, 양성 전립선 비대(BPH) 와 전이구역 전립선암의 감별에 한계를 드러내고 있으므로, 아직 이 주제에 적용되고 있지 않은 텍스쳐 분석의 유용성을 평가해 보고 실제 활용성을 타진해 보는 것은 매우 시의성이 있으며 임상상황에 바로 적용 가능할 수 있다는 점에 그 중요성이 있다. 본 연구는 이에 Histogram analysis, GLCM, GLRLM 등의 텍스쳐 분석방법을 BPH 와 전이구역암의 감별에 적용하고, 텍스쳐 파라미터를 인공지능의 hyperclassifier 로 활용하여 의심되는 전립선 병변의 악,양성을 진단하는 데 유용한 보조적 도구로 사용할 수 있는 알고리즘을 개발하는 것을 목표로 한다.

연구 목표대비 연구결과
기존 계획서에서는 BPH 와 전이구역 전립선암 사이에 각 텍스쳐 파라미터들의 차이를 보이고, 유의한 차이를 보이는 파라미터들은 mapping image 로 만들어 영상에서 병변을 더 잘 보이게 하여 진단 및 치료방침 수립을 수월하게 하는 것을 목표로 하였다. 연구과정에서 최근 1~2년간 급격히 늘어나는 인공지능 연구 동향을 반영하여, 전립선암을 진료하는 의사가 MR상 병변을 발견하였으나 양,악성에 대한 판단이 어려울 때, 간편히 ROI만 그려주면 본원의 high-quality data를 바탕으로 한 알고리즘에 따라 activation map을 표현해 주는 프로그램을 개발하는 것으로 변경하였다.

75개의 텍스쳐 파라미터를 총 100명의 환자, 107개 전립선암병변 및 177개 BPH 병변에 대해 분석하였고, 64개 파라미터에서 양,악성간 차이를 보임을 밝혀내었으며, 여기에서 다시 Lasso logistic regression을 통해 의미있는 feature 들을 추출하고 이를 각기 다른 3개의 인공지능 학습방식으로 처리하여 0.85~0.86의 의미있는 AUC 값을 얻었다. 또한 영상데이터들을 augmentation 후 CNN으로 학습시켜 cancer 가 있는 영상과 없는 영상을 구분하였을 때도 AUC=0.80 정도의 좋은 진단능을 확인하였다. 목표변경 및 암이라는 희귀질환의 특성상 데이터 모집속도가 느려 최종적 diagnostic assistant tool 개발에는 도달하지 못하였으나 바로 전 단계라고 할 수 있는 알고리즘의 개발 및 평가, activation map 의 제시까지는 완성하였다고 할 수 있다.

연구개발결과의 중요성
전립선암을 진료하는 의사가 MR상 병변을 발견하였으나 양성 또는 악성에 대한 판단이 잘 서지 않을 때, 간편히 ROI만 그려주면 본원의 high-quality data를 바탕으로 한 알고리즘에 따라 activation map을 표현해 주는 프로그램을 개발하는 것이 최종목표이며, 이의 기반이 되는 연구를 충분히 수행하였다. MRI 같은 경우 data 수 자체도 적거니와, 영상의 quality 역시 제각각인 경우가 많아 완벽한 진단 알고리즘의 개발이 단순촬영사진 등에 비해 어렵다. 본 연구는 이에 상기 한계를 인정하고, detection 보다는 classification 에 집중하여 ‘diagnostic assistant’ 개념으로 접근하였고, 본원의 병리데이터와 일대일로 연결되는 high quality data를 사용하여 신뢰도를 높였다. 실제 인공지능 기반 영상진단 tool의 상용화는 이런 접근을 기반으로 하는 것이 더 빠를 것으로 생각된다.

(출처 : 요약문 3p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 3
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• (1) Data set 의 형성 및 관리 ... 5
• (2) 텍스쳐 분석 프로그램 세팅 ... 5
• (3) Texture Feature Selection & Classification ... 6
• (4) Deep Learning ... 7
• 3. 연구개발결과의 중요성 ... 8
• 4. 참고문헌 ... 9
• 5. 연구성과 ... 12
• 끝페이지 ... 12