Lee & Park, 2019, Application of Artificial Intelligence in Lung Cancer Sreening

# 세줄요약 #

1. 저선량 CT를 이용한 폐암검진은 그 폐암 사망률 감소 효과가 입증되었기에, 효과적인 폐암검진을 위해서는 저선량 CT에 대한 정확한 판독이 필요하다.
2. 인공지능 기술을 활용한 저선량 CT 판독 보조시스템 개발은 영상의학 전문가들의 판독에 대한 피로도를 줄일 수 있고, 딥러닝(deep learning) 기술의 적용으로 우수한 진단성능을 보이기에 학계 및 산업계에서 큰 관심을 보이고 있다.
3. 폐암검진에서 딥러닝 기술(인공지능 기술)을 적용할 수 있는 분야는 컴퓨터 보조 병변 검출, 판독문 생성, 폐결절의 악성도 평가, 환자의 예후 예측 등이 있다.

 

# 상세리뷰 #

 

1. 저선량 CT를 이용한 폐암검진은 그 폐암 사망률 감소 효과가 입증되었기에, 효과적인 폐암검진을 위해서는 저선량 CT에 대한 정확한 판독이 필요하다.

• 폐암은 절반이상의 환자들이 근치적 절제술이 불가능한 진행 병기(advanced stage)에서 발견되기에 전 세계적으로 가장 흔한 암 사망원인이다.(5년 생존율 < 20%)
• 다양한 폐암 검진 방법들이 존재하지만 저선량 CT를 이용한 폐암검진 방법만이 폐암 사망률을 20%까지 감소시킬 수 있었다.

 

2. 인공지능 기술을 활용한 저선량 CT 판독 보조시스템 개발은 영상의학 전문가들의 판독에 대한 피로도를 줄일 수 있고, 딥러닝(deep learning) 기술의 적용으로 우수한 진단성능을 보이기에 학계 및 산업계에서 큰 관심을 보이고 있다.

• 폐결절은 폐암검진 CT에서 발견해야할 가장 중요한 영상 소견이다.
• 폐결절 발견은 한 CT 검사 당 100장이 넘은 영상을 분석해야 하고 상당한 intra-, inter-reader variability 존재하기에 영상의학과 전문의들도 쉽지 않다.
• 폐결절에 대한 악성도 평가, 관리, 일관적인 보고를 위해 사용되는 Lung-RADS의 경우에도 실제 임상적용에 유의한 판독 기준이나 그 기준이 조금 모호하여 판독자에 따라 판독 결과가 일치하지 않는 문제가 존재한다.
  • Lung-RADS: 미국방사선협회(American College of Radiology)에서 2014년에 제안한 기준으로 검진된 폐결절을 형태적 분류(Solid, Part-solid, GGN)와 결절의 크기, 결절 출현 시기 등의 기준에 따라 악성도를 예측하고 추적검사 등의 가이드라인을 제공한다.

그림 1. Lung RADS [출처: https://sites.google.com/site/numbersradcon/lung-rads]

• 따라서 인공지능 기술이 폐결절 검출, 폐결절 분류 등에 적용될 경우 영상의학 전문가들의 피로도를 줄이는 것은 물론 전문의들의 판독을 보조하여 판독 성능 또한 높일 것으로 기대한다.

 

3. 폐암검진에서 딥러닝 기술(인공지능 기술)을 적용할 수 있는 분야는 컴퓨터 보조 병변 검출, 판독문 생성, 폐결절의 악성도 평가, 환자의 예후 예측 등이 있다.

• 폐결절 검출(Computer-Aided Detection; CADe)
  • 지금까지의 CADe는 병변 검출의 민감도를 향상시킬 수 있지만, 위양성률이 높아서 실제 임상에서는 널리 사용되고 있지 못하다.
  • Zhao et al., EUR Radiol, 2012: CADe 민감도 = 96.7%, CADe 위양성률 = 검사당 3.7개 (* 영상의학 전문의: 민감도 = 78.1%,  위양성률 = 0.5개)
  • Setio et al., Trans Med Imaging, 2016: LIDC(Lung Image Database Consortium) 데이터베이스 사용결과 검사 당 위양성률이 1개 일때 85.4% 민감도
  • Jacobs et al., EUR Radiol, 2016: LIDC 데이터베이스 사용결과 평균 3.1개의 위양성일 때 82% 민감도
• 판독문 생성
  • 폐암 검진에서는 폐결절의 크기, 위치, 이미지 위치 등의 자세한 판독문이 필요하기에 CADe에 의한 판독문 작성은 판독의 효율성을 높이고 도움이 될 가능성이 높다.
  • Ciompi et al., Sci Rep, 2017: 총 1352개의 폐결절(환자 수 943명)을 이용해 고형결절, 부분고형결절, 순수간유리결절, 석회화결절 등으로 분류하는 딥러닝 기반의 분류기를 만들어 전반적으로 우수한 성능을 얻었다.

	고형결절	석회화 결절	순수간유리결절	부분고형결절
양성예측도	89.2%	88.9%	87.4%	43.6%
민감도	82.2%	82.8%	87.4%	64.9%

 

• 폐결절 악성도 및 예후 예측
  • CADe를 통해 검출된 폐결절을 Segmentation하여 오려낸다면 폐결절의 분류가 가능해진다.
  • 고형결절, 부분고형결절, 순수간유리결절 등으로 분류하고 결절의 크기를 구한다면 Lung-RADS 판독이 자동으로 가능해져 영상의학 전문의들을 매우 효율적으로 도울 수 있다.
  • 폐결절을 정확하게 오려낸다면 크기 뿐만 아니라 다양한 영상 특징들도 추출할 수 있기에 이러한 영상 특징들을 이용하여 폐결절의 악성도를 예측할 수 있다.
  • Ardila et al., Nat Med, 2019: 저선량 폐암검진 CT에서 3D 딥러닝을 이용하여 폐암 가능성이 가장 높은 결절 2개를 결과로 보여주는 알고리즘 제시
    • 이전 CT 검사의 정보를 활용하여 악성도를 예측하였기에 실제 검진현상에서 판독하는 상황과 유사
    • 가장 높은 확률의 결절 2개만 제시하였기에 임상적 목표를 달성하면서도 기존의 CADe의 문제점인 높은 위양성률도 피할 수 있었다.

# Reference: Lee, Sang Min, and Chang Min Park. "Application of artificial intelligence in lung cancer screening." Journal of the Korean Society of Radiology 80.5 (2019): 872-879.