기술 요약: 자궁경부암 방사선 치료 자동 컨투어링을 위한 BAT-RM

1. 문제 정의

자궁경부암은 전 세계적으로 주요한 암 사망 원인으로 남아 있으며, 방사선 종양학 전문의가 심각하게 부족하여 치료 대기 시간이 6개월을 초 exceed하는 방글라데시와 같은 저소득 및 중소득 국가(LMIC)에서 불균형적인 부담을 안겨주고 있습니다. 안전한 방사선 치료 전달은 표적 부피(Gross Tumor Volume [GTV], Clinical Target Volume [CTV])와 위험 장기(OARs: 방광, 직장, 소장, 대퇴골두)의 정밀한 수동 델리네이션(delineation)에 의존합니다. 수동 컨투어링은 환자당 45분에서 3시간이 소요될 정도로 시간이 많이 걸리며, 관찰자 간의 상당한 변동성을 보입니다.

기존의 딥러닝 솔루션은 다음과 같은 세 가지 주요 한계점에 직면해 있습니다:

1. 경계 정밀도(Boundary Precision): 합성곱(Convolutional) 구조는 종종 명시적인 연조직 경계 묘사 메커니즘이 부족하여, 중요한 계면(예: GTV-파라메트리움)에서 최적화되지 않은 정밀도를 보입니다.
2. 장거리 문맥(Long-Range Context): 트랜스포머(Transformer)는 전역적 문맥을 다루지만, 전체 해상도(512×512) 처리를 임상용 하드웨어에서 수행하기에는 과도한 이차 복잡도($O(n^2)$)를 유발합니다. 반대로 CNN은 수용 영역(receptive field)이 제한적입니다.
3. 임상 검증의 공백: 대부분의 연구는 엄격한 다기관 일반화 분석이나 자원 제한 환경에서의 워크플로 효율성 및 환자 수준의 영향을 측정하는 전향적 판독자 연구 없이 단일 기관 데이터셋에 의존합니다.

2. 방법론: BAT-RM 아키텍처

저자들은 높은 경계 정밀도와 효율적인 장거리 문맥 모델링을 동시에 달성하기 위해 설계된 하이브리드 2D 다중 분기 아키텍처인 BAT-RM(Boundary-Aware Transformer with Region-Aware Mamba)을 제안합니다. 이 시스템은 축 방향 CT 슬라이스(512×512)를 처리하고 후처리를 통해 3D 볼륨을 재구성합니다.

핵심 아키텍처 구성 요소

모델은 계층적 CNN 인코더-디코더 백본과 세 개의 특화된 모듈을 통합합니다:

1. 게이트형 경계 인식 트랜스포머(Gated Boundary-Aware Transformer, BAT) 분기:

   • 기능: 조직 계면에서의 모호함을 해결하기 위해 장기 경계를 명시적으로 모델링합니다.
   • 메커니즘: $E_3$ 인코더 특징(128×128 해상도)에서 작동합니다. 특징 활성화에 고정된 Sobel 연산자를 사용하여 공간 그래디언트 크기 맵을 계산합니다. 이 그래디언트 맵은 1×1 컨볼루션과 시그모이드 활성 함수를 통해 학습 가능한 공간 게이트($\mathcal{G} \in [0,1]$)로 압축됩니다.
   • 어텐션(Attention): 이 게이트는 스트립 풀링 멀티 헤드 셀프 어텐션(Strip-Pooling Multi-Head Self-Attention) 메커니나리즘 내에서 쿼리($Q$)와 키($K$) 투영을 조절합니다. 이는 어텐션 계산을 고그래디언트 경계 영역으로 제한하여 복잡도를 $O(n^2)$에서 $O(H+W)$로 줄이는 동시에, 임상적으로 중요한 조직 계면(예: GTV-파라메트리움)에 집중합니다.
   • 보조 감독(Auxiliary Supervision): 경계 예측 헤드는 이진 교차 엔트로피(BCE) 손실로 학습되는 경계 확률 맵을 출력합니다.

2. 다방향 순환 문맥 모듈(Multi-Directional Recurrent Context Module, RM 분기):

   • 기능: 선형 계산 복잡도로 장거리 해부학적 의존성(예: 흩어져 있는 소장 루프)을 포착합니다.
   • 메커니즘: 병목 특징($E_5$, 32×32 해상도)에서 작동합니다. 사방향 순차 스캐닝(북→남, 남→북, 동→서, 서→동)을 사용하는 Mamba 선택적 상태 공간 모델(Selective State Space Model, SSM)을 채택합니다.
   • 효율성: 2D 특징 맵을 네 개의 1D 시퀀스로 직렬화하고 Mamba의 선택적 스캐닝으로 처리함으로써, 전체 공간 셀프 어텐션의 메모리 병목 현상을 피하고 $O(n)$ 복잡도를 달성합니다.
   • 게이팅(Gating): SiLU 활성화 게이트는 정보가 없는 토큰(예: 균질한 배경)을 억제하고 해부학적으로 유의미한 구조를 증폭합니다.

3. 경계-영역 어텐션 융합(Boundary-Region Attention Fusion, BRAF) 모듈:

   • 기능: 경계 민감 특징(BAT로부터)과 영역 인식 전역 문맥(RM으로부터)을 적응적으로 결в합합니다.
   • 메커니즘: RM 특징을 BAT 해상도에 맞게 업샘플링합니다. 학습 가능한 공간-채널 어텐션 게이트($\alpha$)가 두 스트림의 볼록 조합(convex combination)을 계산합니다. 융합된 특징은 디코더로 전달되기 전, 날카로운 가장자리 묘사를 강제하기 위해 BAT 분기에서 예측된 경계 골격($\hat{B}$)에 의해 추가로 조절됩니다.

학습 전략

• 손실 함수: 세그멘테이션 중첩, 경계 정밀도 및 매끄러움을 감독하는 복합 손실을 사용합니다:
  • Soft Dice Loss: 클래스 불균형을 처리하기 위해 역 복셀 빈도(inverse voxel frequency)에 따라 가중치를 부여합니다.
  • Focal Loss: 어렵고 모호한 경계 픽셀에 집중합니다.
  • Boundary BCE Loss: 보조 경계 헤드를 감독합니다.
  • Smoothness Regularization: 예측된 맵과 실제 맵 사이의 그래디언트 차이를 페널티화하여 울퉁불퉁한 윤곽선을 방지합니다.
• 데이터: 세 곳의 방글라데시 센터(BMU, SHL, LSH)에서 수집된 1,011명의 환자를 포함하는 다기관 데이터셋을 통해 7개의 해부학적 클래스를 학습합니다.

추론 파이프라인

시스템은 슬라이스 단위의 2D 추론 전략을 사용한 후, 3D Gaussian 후처리($\sigma=0.8$ mm)를 통해 3D 볼륨을 재구성함으로써, 3D 네트워크의 메모리 비용 없이 슬라이스 간 연속성을 보장합니다. 출력물은 Varian, RayStation, Monaco 치료 계획 시스템과 호환되는 DICOM RT-Structure Set으로 재구성됩니다.

3. 주요 기여

1. 새로운 하이브리드 아키텍처: Sobel 게이트형 경계 어텐션, 다방향 Mamba 스캐닝, 그리고 경계 골격 가이드 융합을 결합하여 경계 정밀도와 장거리 문맥 문제를 동시에 해결하는 BAT-RM을 도입했습니다.
2. 대규모 다기관 데이터셋: 7개 클래스, 3개 센터, 1,011명의 환자를 포함하며 엄격한 품질 관리를 거친, LMIC 환경에서 가장 큰 규모의 자궁경부암 CT 데이터셋을 구축했습니다(평균 Jaccard = 0.961).
3. 포괄적인 임상 검증:
   • 정량적: 모든 7개 클래스에서 4개의 베이스라인(nnUNet, SegMamba, TransUNet, UNETR)보다 우수한 성능을 보였으며, 통계적으로 유의미한 개선을 입증했습니다(Bonferroni-Holm 보정 적용).
   • 정성적: 에러 맵, 윤곽선 오버레이, 다중 방법론적 GradCAM 분석을 통해 경계 집중도를 확인하는 기계적 증거를 제시했습니다.
   • 전향적 판독자 연구: 13명의 종양학자가 참여한 다기관 연구(100 케이스)를 통해 워크플로 효율성의 유의미한 개선을 입증했습니다.
4. 엔드 투 엔드 임상 배포: 네이티브 DICOM RTSTRUCT 내보내기 기능이 있는 프로덕션급 웹 애플리케이션을 개발하여 Bangladesh Medical University에 배포하였으며, 이를 통해 환자 대기 시간을 일 단위에서 시간 단위로 단축했습니다.

4. 결과

정량적 성능

BAT-RM은 홀드아웃 테스트 셋(254명)에서 최첨단(SOTA) 결과를 달성했습니다:

• 표적 부피: GTV Dice = 0.9662 (vs. nnUNet 0.9450); CTV Dice = 0.9571 (vs. nnUNet 0.8966).
• 위험 장기(OARs): 직장 Dice = 0.9556; 방광 Dice = 0.9655; 소장 Dice = 0.9741.
• 경계 정확도: GTV HD95 = 1.500 mm; CTV HD95 = 1.507 mm; 직장 HD95 = 1.242 mm. 이는 베이스라인 대비 경계 오차의 유의미한 감소를 나타냅니다 (예: GTV HD95가 nnUNet 대비 38.7% 감소).
• 효율성: 28.4M 파라미터, 41.2 GFLOPs, 단일 NVIDIA T4 GPU(3.8 GB VRAM) 기준 슬라이스당 18.3 ms의 추론 시간을 기록하며, 3D 베이스라인 모델보다 속도와 메모리 사용량 측면에서 크게 앞섰습니다.

판독자 연구 결과

• 정확도: AI 지원을 받은 주니어 종양학자의 IoU는 0.899에서 0.965로 상승했습니다(시니어의 비지원 성능인 0.938에 근접).
• 효율성: 주니어의 컨투어링 시간이 케이스당 152분에서 29분으로 80.7% 단축되었습니다.
• 워크플로: 주니어의 전문가 자문율이 52.1%에서 14.3%로 감소했습니다. 자기 보고된 자신감 점수는 주니어 그룹에서 40% 증가했습니다.
• 배포 영향: 배포 이후, 추가 인력 충원 없이도 방사선 치료 시뮬레이션 대기 시간이 13일에서 23시간으로 감소했습니다.

절제 연구 (Ablation Studies)

체계적인 절제 연구를 통해 각 구성 요소의 필요성을 확인했습니다:

• BAT 블록을 제거했을 때, 특히 직장 및 GTV와 같이 경계가 모호한 구조에서 가장 큰 성능 저하(mIoU -0.0509)가 발생했습니다.
• RM 블록을 제거하면 전역 문맥이 필요한 구조(방광, 대퇴골두)의 성능이 저하되었습니다.
• BRAF 융합 모듈을 제거하면 모든 작은 OAR의 성능이 감소하여, 적응형 특징 결합의 중요성을 입증했습니다.

5. 의의 및 주장

본 논문은 벤치마크 수행을 넘어, 자원 제한 환경에서 측정 가능한 환자 혜택을 전달하는 엄격한 번역 연구 파이프라인을 보여준다고 주장합니다. 주요 주장은 다음과 같습니다:

• 기술적 우월성: 경계 인식 어텐션과 선형 시간 Mamba 스캐닝의 통합은 과도한 계산 비용 없이 경계 정밀도와 장거리 문맥이라는 두 가지 과제를 해결합니다.
• 임상적 유용성: 이 시스템은 단순한 알고리즘 개선이 아니라, 임상의의 업무량을 줄이고 대기 시간을 단축하여 당일 또는 익일 치료 개시를 가능하게 하는 배포 가능한 도구입니다.
• LMIC 관련성: 본 연구는 자궁경부암 자동 컨투어링에 대한 첫 번째 다기관 판독자 연구를 LMIC 환경에서 제공하며, AI가 전문의 부족 문제를 완화하고 의료 형평성을 개선할 수 있음을 증명합니다.
• 강건성: 모델은 서로 다른 제조사의 스캐너와 프로토콜을 사용하는 이질적인 기관의 데이터를 가로질러 일반화되며, 미세 조정(fine-tuning) 없이도 독립적인 외부 코호트(230명)에서 성능을 유지합니다.

저자들은 이 작업이 다기관 데이터 큐레이션, 임상적 실패 모드에 기반한 아키텍처 설계, 그리고 실제 임상 현장으로의 프로덕션 배포를 특징으로 하는, 머신러닝 연구를 직접적인 임상적 영향으로 전환하는 프레임워크를 구축한다고 결론짓습니다.