# 세줄 요약 #
- 연구 목적: 흉부 CT 영상에서 폐 조직(parenchymal)과 기도(airway)에서의 병변을 검출하는 인공지능 분석 소프트웨어를 개발하고, IPF(idiopathic pulmonary fibrosis; 특발성 폐 섬유증)를 가진 환자들의 예후를 예측 하는 것.
- 저자들은 고해상도 CT (high-resolution CT; HRCT) 304개를 가지고 자동으로 10가지 유형의 폐 조직 패턴(+기도)을 정량화하는 AIQCT(artificial intelligence-based quantitative CT image analysis software)를 개발하였고, 이후 개발된 AIQCT를 IPF를 가진 환자 120명의 HRCT 영상에 적용하여 병변의 볼륨과 생존률과의 관계를 분석하였다.
- 먼저 AIQCT의 폐 조직 패턴들의 Segmentation 성능은 Dice 지수로 보았을 때 준수한 성능을 보였으며, 이후 통계 분석을 통해 IPF 환자의 생존률은 기관지 볼륨(bronchial volumes; adjusted harzard ratio [HR]: 1.33)과 정상 폐 볼륨(normal lung volumes; adjusted HR: 0.97)에서 각각 독립적으로 연관이 있음을 밝혀냈다 (* adjusted의 의미는 성별, 나이, 폐 생리학에 따라 조정한 수치).
# 상세 리뷰 #
1. Introduction
- 특발성 폐 섬유증(idiopathic pulmonary fibrosis; 이하 IPF)는 아직 원인이 밝혀지지 않은 간질성 폐질환(iterstitial lung disease; 이하 ILD)의 하나로, 이 질환은 진단 후 평균 생존 기간은 3~5년이지만 약물 치료를 통해 잘 통제만 하면 생존률을 개선할 수 있기에, IPF를 정확히 정량화하고 환자의 예후를 예측하는 것에 대한 수요가 늘어나고 있다.
- HRCT(High-resolution computed tomographic) 영상에서는 IPF로 인한 이상영역이 정상 폐 영역과 비교하였을 때 특히 잘 구분되어 나타나므로, GGO(ground-glass opacity), reticulation, honeycomb와 같은 패턴이 폐조직 내에서 차지하는 비율을 ILD 환자의 예후 예측의 인자로서 사용할 수 있다 (폐 조직 내의 이상 패턴 외에도 기관지와 기도의 이상 패턴도 예후 예측에 사용 가능함을 선행 연구에서 밝힘).
- 따라서 저자들은 딥러닝 기반의 인공지능 알고리즘으로, 자동으로 폐 조직 내와 기관지 등에서 이상 패턴들을 찾고 정량화한 후, 이렇게 CT 영상에서 정량화된 값을 IPF 환자의 예후 검증에 사용하였다.
2. Methods
- CT Image Datasets: 학습 집단(Training cohort)은 목적에 따라 각각 수십~수백개의 데이터를 모았으며(n=264 for airway extraction, n=56 for pulmonary vessel extraction, n = 304 for parenchyma segmentation), 테스트 데이터(test cohort; n=120)는 교토 대학 병원(Kyoto University Hospital)에서 수집기간(2011.04~2019.12) IPF로 등록된 환자 중에서 HRCT를 촬영하였고, 3개월 내에 폐기능 검사(pulmonary function test)를 받은 환자들의 데이터로 모았다.
- AI-based Analysis System Development: 저자들은 인공지능 기반의 이미지 분석 소프트웨어(AIQCT; AI-based Quantitative CT)을 FUJIFILM과 협력하여 개발하였으며, 이 소프트웨어는 4가지 Segmenter(lung extraction, airway extraction, pulmonary vessel extraction, lung parenchyma segmentation)를 가지고 있는 제품이다.
- Result Analysis: AIQCT는 자동으로 parenchyma pattern과 혈관(vessel), 기도(airway) 등을 검출하고 정량화하기에(예를 들어 fibrosis volume은 reticulation & honeycombing 패턴들의 합, ILD volume은 GGO와 fibrosis 패턴의 합이다), 의사들(호흡기 전문의;Respirologist or 영상의학 전문의;Radiologists)이 직접 정량화한 visual scores 또는 폐기능 검사 결과(%FVC and %Dlco)와 비교하거나, 다양한 통계 기법(Cox proportional hazzards model, Kaplan-Meier analysis, etc..)을 사용하여 환자의 생존률과 AI에 의해 정량화된 값을 비교 분석하는 연구를 수행하였다.
- %Dlco: percentage of the predicted diffusing capacity for carbon monoxide (폐 활성화 정도, 호흡 후 배출되는 CO량)
- %FVC: percentage of the predicted forced vital capacity (최대 호기량, 환자가 최대로 내뱉을 수 있는 호흡량)
3. Results
- 먼저 AIQCT의 Segmentation 성능을 보면, 폐 조직 패턴(parenchymal pattern)과 혈관(vessels), 기도(airways) 모두 잘 추출하고 있으며, Dice similarity coefficient값을 보면 reticulation, honeycombing, bronchus가 각각 0.67, 0.76, 0.64 정도의 성능을 보인다.
- AIQCT scores와 호흡기 전문의(Respirologist), 영상의학 전문의(Radiologists) 각각에 대해 모두 구한 visual scores를 비교해보면, 결절(nodules)과 혈관(vessels)의 경우에는 correlation parameter가 0.44~0.69 정도로 보통이지만, 기관지(bronchi)에 대해서는 correlation parameter가 0.51~0.72 정도로 강한 편이고, 조직 패턴(parenchymal patterns)들은 correlation parameter가 0.72~0.95 정도로 매우 높아서, 의사들과 비슷한 수준으로 인공지능이 작동함을 알 수 있다.
- AIQCT로 정량화된 값들을 가지고 다변수 분석(multivariable analysis)을 해본 결과, 조정된(모든 파라미터 값을 사용한 = adjusting) hazard ratio [HR]이 정상 폐의 볼륨(Normal lung volume)에서는 HR = 0.97, 기관지의 볼륨(bronchial volume)에서는 HR = 1.33으로 생존률과 높은 연관성을 가지는 것을 검증하였다(* Figure2를 보면 특히 brochial volume의 경우, GAP score가 커지고(stage 1 ~ 3) bronchial volume이 커질 때(low ~ high volume) 생존률이 더 빨리 감소하는 것을 볼 수 있음).
* Reference: Handa, Tomohiro, et al. "Novel artificial intelligence-based technology for chest computed tomography analysis of idiopathic pulmonary fibrosis." Annals of the American Thoracic Society 19.3 (2022): 399-406.
728x90
728x90
댓글