How Far Has AI Come in Liver Fibrosis Staging? A Large-Scale Real-World Dataset and Benchmark

기술 요약: 간 섬유화 병기 평가를 위한 LiFS 벤치마크

문제 제기
의료 영상 분석을 위한 딥러닝 분야에서 방법론적 진전이 상당하지만, 실제 임상 환경 하에서 간 섬유화 병기 평가를 위한 인공지능 (AI) 의 임상 적용 준비도는 여전히 정량화되지 않은 상태입니다. 기존 벤치마크는 대부분 단일 센터의 통제된 환경에서 큐레이션된 데이터를 기반으로 하여, 다중 스캐너를 사용하는 임상 실무의 이질성을 포착하지 못합니다. 더 나아가, 간세포 담즙기 (HBP) 를 포함한 완전한 가독옥산산 조영증강 (GED) 시퀀스와 조직병리학적으로 확인된 병기 라벨이 짝지어진 대규모 데이터셋이 부족합니다. 따라서 현재 AI 가 실제 진료 중인 방사선과 전문의의 성능과 얼마나 일치하는지, 그리고 이러한 시스템이 센터 간 도메인 이동, 라벨 불균형, 결측 모달리티에 대해 얼마나 견고한지 명확하지 않습니다.

방법론 및 데이터셋 구축
이러한 격차를 해소하기 위해 저자들은 MICCAI 2025 와 함께 개최된 CARE-Liver 챌린지에서 파생된 대규모 다중 센터 데이터셋 및 벤치마크인 **LiFS(간 섬유화 병기 평가)**를 소개합니다.

• 데이터셋 구성: LiFS 는 세 개의 임상 센터와 네 가지 다른 MRI 스캐너 (서로 다른 제조사와 1.5T 및 3.0T 의 자기장 세기) 에서 수집된 610 명의 환자로 구성됩니다. 데이터셋에는 4,174 개의 3D MRI 볼륨과 218,000 개 이상의 슬라이스가 포함됩니다.
• 영상 프로토콜: 데이터는 T1 가중 (T1W), T2 가중 (T2W), 확산강조영상 (DWI) 및 4 상 GED 영상 (동맥기, 문맥정맥기, 지연기, 간담즙기) 을 포함한 다중 시퀀스 MRI 를 포괄합니다.
• 정답 (Ground Truth): 병기 라벨은 MRI 촬영 후 3 개월 이내에 시행된 생검 또는 수술적 절제에서 얻은 조직병리학적으로 확인된 슈어 (Scheuer) 등급 시스템 (S1–S4) 을 기반으로 합니다.
• 실제 임상 환경의 불완전성: 데이터셋은 의도적으로 시퀀스 간의 공간적 정렬 불일치, 획득 실패로 인한 결측 모달리티, 그리고 상당한 센터 간 이질성을 포함합니다.
• 실험 설계: 벤치마크는 96 개 등록 팀 중 선정된 9 개의 독립적으로 개발된 방법을 평가합니다. 평가는 다음과 같이 수행됩니다:
  • 동일 분포 (ID) 테스트 세트: 학습 데이터와 동일한 분포의 데이터.
  • 이질 분포 (OOD) 테스트 세트: 일반화 능력을 평가하기 위해 전혀 보지 못한 스캐너와 센터 (Vendor C) 의 데이터.
  • 하위 작업: 간경변증 탐지 (S4 대 S1–3) 및 유의성 간 섬유화 탐지 (S1 대 S2–4).
  • 설정: 조영증강 (모든 시퀀스) 과 비조영 (T1W, T2W, DWI 만 해당).
• 임상 참조: 두 명의 전문의 (3 년 및 8 년 경력) 가 7 점 양적 MRI 점수 체계를 사용하여 동일한 사례를 독립적으로 점수 매겨, AI 대 인간 비교를 위한 코호트 내 참조를 제공합니다.

주요 기여

1. LiFS 데이터셋: 다양한 실제 임상 스캐너에서 얻은 완전한 GED 시퀀스 (HBP 포함) 와 조직병리학적으로 확인된 섬유화 병기 평가를 특징으로 하는 최초의 대규모 다중 센터 데이터셋.
2. 종합 벤치마크: 일치된 (ID) 조건과 이동된 (OOD) 조건 하에서 방사선과 전문의 성능과 AI 방법을 비교하는 통합 평가 프레임워크.
3. 실증 분석: 입력 차원성, 융합 전략, 백본 아키텍처를 포함한 임상 적용 준비도에 영향을 미치는 요인을 규명하기 위한 9 개 최상위 성능 방법의 체계적 분석.

결과

• AI 대 방사선과 전문의:
  • ID 조건 하에서 최상의 AI 방법은 고연차 전문의 (Expert-8Y) 와 유사한 AUC 를 달성했으며, 저연차 전문의 (Expert-3Y) 보다 현저히 우수한 성과를 보였습니다. 예를 들어, 조영증강 ID 설정에서 최상의 AI 는 하위 작업 1 에서 86.16% 의 AUC 를 기록하여 Expert-8Y 의 81.83% 를 초과했습니다.
  • OOD 조건 하에서는 성능이 이질적이었습니다. 일부 설정에서 최상의 AI 방법은 고연차 전문의와 유사한 수준을 유지했지만, 중앙값 AI 성능은 일반적으로 저연차 전문의 수준 이하로 하락했습니다.
  • 의의: 최상위 AI 는 일치된 설정에서 고연차 전문의의 성능에 근접할 수 있으나, 분포 이동 전반에 걸쳐 임상 수준의 일관성은 아직 달성되지 않았습니다.
• 데이터 관점의 과제:
  • 센터 간 이질성: 대부분의 방법은 ID 에서 OOD 세트로 이동할 때 상당한 성능 저하를 겪었습니다.
  • 라벨 불균형: 하위 작업 2(S1 대 S2–4) 에서 심각한 클래스 불균형 (OOD 데이터의 약 93% 가 S2–4) 은 많은 방법이 다수 클래스를 예측하여 높은 정확도 (>85%) 를 달성했으나 높은 AUC 를 달성하지 못하는 '모델 붕괴'를 초래했습니다.
  • 조영증강 시퀀스: GED 시퀀스 (특히 HBP) 의 포함은 혼합된 결과를 낳았습니다. 일부 방법은 OOD 조건에서 크게 개선되어 HBP 가 스캐너 이동에 불변인 기능적 정보를 포착함을 시사한 반면, 다른 방법들은 성능이 저하되어 표준화된 획득 없이 HBP 를 활용하는 데 있어 실용적인 딜레마를 나타냈습니다.
• 기술 관점의 과제:
  • 전처리 등록: 경성 공간 정렬을 포함하는 방법은 더 높은 ID 성능을 달성하여, 다중 모달 융합을 위해 정렬이 중요함을 시사했습니다.
  • 입력 차원성: 3D 볼륨 기반 접근법은 더 높은 ID 성능을 달성했으나 2D 패치 기반 방법에 비해 더 큰 OOD 하락을 겪었는데, 이는 제조사별 공간적 사전 지식에 대한 과적합 때문일 가능성이 있습니다.
  • 융합 전략: 초기 융합 (공동 표현 학습) 은 가장 작은 OOD 하락을 보인 반면, 후기 융합 (의사결정 수준 집계) 은 가장 큰 성능 저하를 겪었습니다.
  • 백본 아키텍처: CNN 에 비해 Transformer 기반 모델은 장거리 의존성을 포착하는 능력으로 인해 약간 더 나은 OOD 견고성을 보여주었습니다.

의의 및 주장
본 논문은 LiFS 가 간 섬유화 병기 평가에서 AI 의 현재 상태를 측정하는 최초의 엄격한 실제 임상 벤치마크를 제공한다고 주장합니다. 저자들은 AI 가 선택된 일치된 설정에서는 임상적으로 의미 있는 수준에 도달하여 특정 시나리오에서 비침습적 병기 평가를 지원하고 생검 의존도를 줄일 수 있다고 결론지었지만, 이질적인 임상 환경 전반에 걸쳐 신뢰할 수 있는 배포를 위해서는 견고성이 여전히 부족하다고 강조합니다.

이 벤치마크는 큐레이션된 테스트 데이터에서의 높은 성능과 임상적으로 신뢰할 수 있는 AI 사이의 중요한 격차를 드러냅니다. 저자들은 향후 연구가 센터 간 일반화, 라벨 불균형 처리, 그리고 조영증강 시퀀스 및 스캐너 차이의 변이성을 극복할 수 있는 견고한 다중 모달 모델링 전략 개발을 우선시해야 한다고 강조합니다. LiFS 는 이러한 다음 단계의 연구를 임상적으로 배포 가능한 솔루션으로 이끄는 플랫폼 역할을 합니다.