1) Topic & introduction
-방사선을 판독하는 오류는 인의, 수의에서 흔하게 발생하며, 지난 5년간 radiologist들이 높은 수준으로 트레이닝을 받고 있음에도 불구하고 여전히 그 오류 발생률은 인의에서 26%까지 이릅니다.
-판독 오류의 주요 원인 : 인식 오류, 누락, 인식의 편견, 피로감, 산만함, 전문지식 수준
-> 하지만 전문지식 만으로는 이러한 오류율을 감소시키는데 충분하지 않습니다.
(e.g. 아무리 똑똑한 박사라도 피곤하고 업무량이 많으면 오류를 범할 수 있음)
-오류를 줄이기 위한 전략 : 구조화된 리포트나 체크리스트 작성, 판독 과정을 표준화하기, 인식 편견을 깨기위한 전략 세우기, 메타인지를 이용하기
--> 오류를 줄이기 위해 최근에는 인공지능(AI)을 이용한 computer-aided detection(CAD) methods 방법에 관심을 두고 있습니다.
-수의학에서 방사선 전문의가 있는 경우는 제한적이며 대부분의 임상진료에는 그러한 전문 인력이 없습니다.
또한 응급상황에는 많은 환자를 동시에 돌봐야하는 전문적이지 않은 수의사가 방사선을 판독하는 경우가 많습니다.
따라서 인공지능,컴퓨터를 이용한 판독 방법은 이러한 경우에서 유용하게 사용될 수 있을 것입니다.
-심장 질환은 소형견 사망 원인 중 높은 비율을 차지하며 cardiomegaly는 심질환이 있는 개에서 자주 관찰됩니다.
-> body size와 심장 size를 고려하여 심비대를 더 정확하게 측정할 수있는 VHS를 측정하는 것이 좋으나
-> 항상 VHS가 루틴하게 측정되는 것이 아니며, mild한 심비대가 있을 때 수의사들이 놓치는 경우도 있습니다.
-> AI를 이용한 CAD methods로 루틴하게 측정할 수 있으면 좋을 거 같다고 제시하고 있습니다.
따라서 이 연구의 목표는
(1) cardiomegaly를 detect하는데 있어 CAD method를 발전시키기 위해
(2) CAD method의 정확도를 테스트하기 위해
이 연구가 진행되었습니다.
2) Materials & Methods
1. Database construction
# Population
-파우다 대학 동물병원에서 2014년 1월 ~ 2019년 10월간 specialist에게 의뢰된 개 흉부 방사선을 대상으로 하였습니다.
# Inclusion/Exclusion criteria
-자세 및 노출이 부정확한 경우는 배제
-cardiac silhouette이 명확히 보이지 않는 경우(흉수, mass가 겹침, alveolar pattern이 겹침)와 변위된 경우(기흉) 또한 배제
-일관성을 위해 우외측상만 데이터베이스에 포함하였으며, 다른 view는 배제
-VHS는 2명의 숙련된 경험자가 계산
-다른 mass, pattern 병변과 상관없이 오직 VHS만으로 정상 / 비대된 심장으로 구분하였으며
각각 폴더를 만들어 저장하였으며 -> training, testing에 이용하였습니다.
2. Imaging processing
-CNN(convolutional neural network) 구조가 요구하는 특정 기준에 맞게 크기를 잘라 편집하였습니다.
--> 만약, 우리가 AI를 이용한다면 요구 기준에 맞춰 직접 자르는 작업을 시행해야 할 것입니다.
* CNN : 시각적 영상 분석에 주로 사용되는 학습-출력을 이용한 인공 신경망
-결과적으로는 CAD method를 이용한 CNN의 적용은 앞으로 흉부 방사선을 판독하는 데 있어 수의사들에게 도움을 줄 것으로 판단됩니다.
-database의 수가 상대적으로 적었기 때문에 --> 오직 하나의 방사선 이상소견(cardiomegaly)만을 detect할 수 있는지에 대한 연구가 진행될 수 밖에 없었다는 한계가 있습니다.
-그렇지만 흥미롭게도, 이번 연구는 cardiomegaly를 detect하는데 있어 가장 높은 정확도를 보인 연구였습니다.
-또 흥미로운 점은, CNN은 VHS의 종특이성 referenge range에 따라 정상/cardiomegaly를 구분하였으며, 종간의 변이성이 높은 VHS를 이용했음에도 불구하고 높은 정확도를 보였다는 것은 test 과정에서 얻은 높은 분류 정확도(즉, AUC)가 이러한 변이성을 고려할 수 있다는 점입니다.
- 하지만, 이러한 알고리즘은 "블랙 박스"라고도 불리우는데, CNN이 품종에 관계없이 방사선 사진을 올바르게 분류하는 높은 수준의 기능을 가지고 있더라도, 그 분류에 사용되는 매개변수는 운영자가 직접 접근할 수 없다고 합니다. (높은 분류 정확도를 보이는 그 기전을 알 수가 없다는 것)
-그리고 본 연구에서 여러 딥러닝 모델(모델 A,B,C,D)의 진단 정확도를 테스트했으나, 모델 C만 다른 모델에 비해 정확도가 낮았습니다. 특정 데이터베이스에 대한 심층 학습 모델의 성능 차이의 실제 이유는 완전히 평가하기 어렵기 때문에 이러한 차이에 대한 심층적인 설명을 제공할 수 없었습니다.
결론적으로,
-CNN을 이용하고 트레이닝하여 상대적으로 적은 database로 흉부 방사선을 분석한 결과 cardiomegaly를 detect하는데 높은 정확도를 보였습니다. (최근의 연구 중에서 가장 높은 정확도를 보인 연구였다는 것에서 의미가 있다.)
-따라서 이러한 CAD 방법은 수의사의 루틴한 일 중 하나인 cardiomegaly를 감지하는데 있어 도움을 주는 도구로서 개발되고 있습니다.
--> "CNN-based CAD methods"의 적용은 임상 수의사들이 흉부 방사선을 판독하는데 도움을 줄 것이다. (유용하다)