Longitudinal Multi-View Breast Cancer Risk Prediction

기술 요약: 유방암 위험 예측을 위한 종단적 다중 뷰 모델링 (LMV-Net)

문제 정의
스크리닝 유방 촬영술로부터 정확한 유방암 위험을 예측하는 것은 개인 맞춤형 스크리닝 간격을 설정하고 조기 발견을 가능하게 하는 데 필수적이다. 최근의 딥러닝 방법들이 종단적 데이터(현재와 이전 스크리닝 비교)의 가치를 입증해 왔으나, 기존 방식들은 상당한 한계를 지닌다. 현재의 모델들은 단일 유방 촬영 뷰(예: CC 또는 MLO)만을 사용하여 명시적 정렬을 수행하거나, 명시적인 종단적 정렬 없이 다중 뷰를 모델링한다. 결과적으로, 이러한 방법들은 방사선 전문의가 미세한 조직 변화를 평가하기 위해 시간 경과에 따른 CC(Craniocaudal) 및 MLO(Mediolateral Oblique) 뷰를 모두 비교하는 임상 실무에서 활용되는 상호 보완적인 시공간 정보를 완전히 활용하지 못한다.

방법론: LMV-Net
저자들은 해부학적으로 보완적인 CC 및 MLO 뷰를 명시적으로 정렬된 종단적 프레임워크 내에서 공동으로 분석하도록 설계된 유방 단위 종단적 다중 뷰 위험 예측 모델인 LMV-Net을 제안한다. 이 아키텍처는 6개의 순차적 단계로 구성된다:

1. 특징 추출 (Feature Extraction): 공유 이미지 인코더(Mirai 인코더 기반의 ResNet-18 백본)가 현재 및 이전 유방 촬영술의 CC 및 MLO 뷰로부터 특징 맵을 추출한다.
2. 시간적 특징 정렬 (Temporal Feature Alignment): 비정형 유방 변형 문제를 해결하기 위해, 모델은 특징 공간 내에서 종단적 특징 맵을 명시적으로 정렬한다. 사전 학습된 고정된 MammoRegNet을 사용하여 이전 유방 촬영술 이미지를 현재의 것과 등록(register)시키는 이미지 기반 변형 필드를 생성한다. 각 뷰(CC 및 Mзо)에 대해 별도의 변형 필드가 추정되며, 공간 변환 함수(spatial transformer function)가 이전 특징 맵을 현재의 특징 맵에 정렬한다.
3. 시간적 차분 (Temporal Subtraction): 정렬된 이전 특징을 현재 특징에서 빼줌으로써 뷰별 차이 특징($f_{diff} = f_{cur} - f_{pri-align}$)을 계산한다. 스크리닝 사이의 가변적인 시간 간격을 고려하기 위해 이 차이 특징에 위치 인코딩(positional encoding)이 적용된다.
4. 시간적 특징 결합 (Temporal Feature Concatenation): 현재 특징, 정렬된 이전 특징, 그리고 차이 특징을 채널 차원을 따라 결합하여 외형(appearance), 맥락(context), 시간적 변화를 통합하는 각 뷰의 종단적 특징 표현($f_{long}$)을 형성한다.
5. 이중 스트림 어텐션 (Dual Stream Attention): 새로운 이중 스트림 어텐션 블록이 종단적 특징을 정교화한다. 이 모듈은 병렬 메커니즘을 사용한다:
   • 자기 어텐션 (Self-Attention): 동일 뷰 내의 장거리 내부 뷰 상호작용을 모델링하여 공간적 일관성을 개선한다.
   • 교차 어텐션 (Cross-Attention): 보완적인 뷰(예: CC 스트림을 위한 키/값으로서의 MLO 특징)로부터 특징을 활용하여 해부학적으로 관련 있는 영역에 대한 선택적 주의를 가능하게 한다.
   • 출력은 요소별 합산(element-wise summation) 후, 레이어 정규화(Layer Normalization), 드롭패스(DropPath, 확률적 깊이), 그리고 잔차 연결(residual connections)이 포함된 피드 포워드 네트워크(FFN)를 통해 융합된다.
6. 최종 융합 및 위험 예측 (Final Fusion and Risk Prediction): 정교화된 양쪽 뷰의 특징은 풀링(pooling) 및 결합되어 융합된 다중 뷰 표현으로 변환된다. 이는 미래 시점(1~5년)의 위험도를 예측하기 위해 완전 연결 계층(fully connected layers)으로 구성된 누적 확률 계층을 통과한다. 모델은 검열된 환자를 위한 마스킹을 포함한 시간 의존적 이진 교차 엔트로피 손실을 사용하여 훈련되며, 뷰 간의 의존성을 포착하기 위해 다수준 공동 학습(multilevel joint learning)을 채택한다.

주요 기여

1. LMV-Net 아키텍처: 명시적 특징 공간 정렬과 교차 뷰 시간적 융합을 통해 다중 뷰, 다중 시점 통합을 용이하게 하는 새로운 프레임워크를 제공하며, 이는 방사선사의 워크플로우를 밀접하게 모사한다.
2. 이중 스트림 어텐션 블록: 병렬적인 자기 및 교차 어텐션을 사용하여 각 뷰의 종단적 특징을 정교화함으로써, 내부 뷰 의존성과 뷰 간 보완적 정보를 효과적으로 포착한다.
3. 광범적인 검증: 두 개의 대규모 공개 데이터셋(EMBED 및 CSAW-CC)에서 강력한 평가를 수행하여, 최신 기술(state-of-the-art) 방법론 대비 일관된 성능 향상을 입증하였다.

결과
모델은 EMBED 및 CSAW-CC 데이터셋에서 Mirai, VMRA-MaR, OA-BreaCR, ImgFeatAlign을 포함한 최신 베이스라인들과 성능을 비교 평가받았다.

• 전반적인 성능: LMV-Net은 두 데이터셋 모두에서 1~5년 위험 지평에 걸쳐 C-index 및 AUC 측면에서 모든 베이스라인을 일관되게 능가했다. EMBED 데이터셋의 경우, 미세 조정된 LMV-Net은 1년 기준 81.4%, 5년 기준 **80.0%**의 C-index를 달성하였으며, 이는 가장 우수한 베이스라인보다 약 6.7% 높은 통계적으로 유의미한($p < 0.05$) 향상이다. CSAW-CC에서는 1년 기준 74.4%, 5년 기준 **73.5%**의 C-index를 기록하며 최상위 베이스라인 대비 **1.7%**의 향상을 보였다.
• 하위 그룹 분석: 모델은 도전적인 시나리오에서도 특히 견고함을 보여주었으며, 거의 모든 유방 밀도 범주(낮음, 중간, 높음)와 암 유형(침윤성 vs 기타)에서 가장 높은 C-index를 달ista했다. 특히 중간 및 높은 밀도 그룹에서 향상이 두드ver하게 나타났다.
• 절제 연구 (Ablation Studies): 주요 구성 요소(종단적 정렬, 다중 뷰 모델링, 이중 스트림 어텐션, 또는 인코더 미세 조정)를 제거할 때마다 성능이 일관되게 저하되었으며, 이는 각 아키텍처 요소의 필요성을 확인시켜 준다.
• 어텐션 분석: 어텐션 맵 시각화를 통해 이중 스트림 어텐션 블록이 주변 조직에 비해 종양 영역에 현저히 높은 어텐션 밀도(8~10배)를 집중시킨다는 것을 확인하였으며, 이는 임상적으로 유의미한 영역에 집중하는 능력을 입증한다.

의의 및 주장
본 논문은 LMV-Net이 명시적인 종단적 정렬과 다중 뷰 분석을 성공적으로 통합함으로써 유방암 위험 예측의 중요한 격차를 해소한다고 주장한다. 저자들은 자사의 접근 방식이 다음과 같은 효과를 가진다고 명시한다:

• 위험 계층화 강화: 상호 보완적인 시공간적 단서를 활용함으로써, 전통적인 민감도가 감소하는 치밀 유방 여성에게도 더욱 신뢰할 수 있는 위험 평가를 제공한다.
• 임상 워크플로우 모사: 명시적 정렬과 이중 뷰 처리는 방사선사가 이전 검사와 현재 검사를 비교하는 방식을 반영하여, 보다 임상적으로 유의미한 특징 추출을 이끌어낸다.
• 개인 맞춤형 스크리닝 가능: 고위험 환자를 식별하는 정확도가 향려됨에 따라, 개인 맞춤형 스크리닝 전략 수립과 효율적인 스크리닝 자원 배분을 지원한다.

저자들은 LMV-Net의 결과가 공동 종단적 다중 뷰 모델링의 가치를 입증하고 있으나, 향-후 연구에서는 더 풍부한 시간적 맥락을 위해 여러 이전 검사를 포함하는 것과 클래스 불균형 문제를 다루기 위한 정밀도-재현율 AUC(Precision-Recall AUC)와 같은 추가적인 지표를 평가하는 방향을 탐색해야 한다고 결론지었다.