[JIS] Deep Learning for Interstitial Lung Diseases (ILDs) / Idiopathic Pulmonary Fibrosis (IPF)

Journal Introduction Summary: Deep Learning for Interstitial Lung Diseases (ILDs) / Idiopathic Pulmonary Fibrosis (IPF)

[Since 2022]

1. Furukawa, Taiki, et al. "A comprehensible machine learning tool to differentially diagnose idiopathic pulmonary fibrosis from other chronic interstitial lung diseases." Respirology 27.9 (2022): 739-746.

• 간질성 폐질환 (Interstitial lung disease; 이하 ILD)은 다양한 예후와 그에 따른 여러 관리를 필요로 하는 폐기능 장애로, 여러 ILD 중에서도 특발성 폐 섬유증 (idiopathic pulmonary fibrosis; IPF)은 만성적이면서 점진적으로 악화되는 섬유성 폐질환으로, 여전히  병인이 잘 알려지지 않았고 예후 또한 제한적이라 환자에게 매우 치명적인 병변이다.
• 하지만 이러한 ILD의 진단은 호흡기 내과 전문의에게 어려운 일로, 일반적인 ILD의 진단 표준(gold standard)은 임상의(clinician), 영상전문의(radiologist), 병리과 의사(pathologist) 간의 합의를 통해 진단을 도출해내는 다학제간 토론(multidisciplinary discussion; 이하 MDD; 국제 평균 Cohen's kappa coefficient: ~0.60)인데, 이는 전문가들의 인력을 생각했을 때 모든 환자들에게 적용하여 진단하기에는 불가능하다 (* 마찬가지로 Surgical lung biopsy (SLB) 또한 ILD를 정확하게 진단할 수 있으나, 진단을 위해 매번 환자에게 수술을 권할 수는 없다).
• 따라서 IPF 진단에 단서를 제공하는 HRCT 영상을 활용한 분류 알고리즘이 개발되어 왔으나(* MDD나 SLB를 사용하지 않고), 이전 연구에서는 HRCT의 패턴들만 효과적으로 분류(~73% accuracy)할 뿐 직접적인 ILD 진단을 하지는 않았기에, 저자들은 이번 연구에서 딥러닝을 이용하여 ILD에 특화된 패턴(예. honeycombing)과 함께 비침습적(non-invasive) 임상 데이터들을 사용해 IPF를 정확하게 분류하는 알고리즘을 개발하였다.

https://pulsar-kkaturi.tistory.com/entry/Furukawa-et-al-2022-A-comprehensible-machine-learning-tool-to-differentially-diagnose-idiopathic-pulmonary-fibrosis-from-other-chronic-interstitial-lung-diseases

Furukawa et al., 2022, A comprehensible machine learning tool to differentially diagnose idiopathic pulmonary fibrosis from othe

 

 

2. 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.

• 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.

https://pulsar-kkaturi.tistory.com/entry/Handa-et-al-2022-Novel-Artificial-Intelligence-based-Technology-for-Chest-Computed-Tomography-Analysis-of-Idiopathic-Pulmonary-Fibrosis

Handa et al., 2022, Novel Artificial Intelligence-based Technology for Chest Computed Tomography Analysis of Idiopathic Pulmonar

 

3. Walsh, Simon LF, et al. "Deep learning–based outcome prediction in progressive fibrotic lung disease using high-resolution computed tomography." American journal of respiratory and critical care medicine 206.7 (2022): 883-891.

 

[Since 2019]

4. Christe, Andreas, et al. "Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images." Investigative radiology 54.10 (2019): 627.

 

 

5. Trusculescu, Ana Adriana, et al. "Deep learning in interstitial lung disease—how long until daily practice." European radiology 30.11 (2020): 6285-6292.