NACS-Net: Normality–Anatomy–Concept Segmentation for Clinically Significant Prostate Cancer on T2-Weighted MRI

의료 영상 분야에서 목표는 종종 건더기 속에서 바늘을 찾는 것과 같습니다. 전립선암의 경우, 그 바늘은 훨씬 더 큰 장기 안에 숨겨진 작고 보기 어려운 종양입니다. 의사들은 수술 없이 몸 내부를 보기 위해 자기공명영상, 즉 MRI에 의존합니다. T2 강조 영상이라고 불리는 특정 유형의 MRI는 연조직의 선명한 이미지를 생성하며 병원에서 널리 사용됩니다. 하지만 이러한 영상에서 암을 포착하는 것은 매우 어렵기로 유명합니다. 종양은 종종 아주 작아서 주변의 건강한 조직과 섞여 버리며, 전체 스캔의 몇 개 단면(slice)에만 나타나고 나머지 이미지는 빈 공간인 경우가 많습니다. 이로 인해 컴퓨터 프로그램이 무엇을 찾아야 할지 학습하기 어려운데, 프로그램들이 희귀한 종양을 무시하고 흔한 건강한 배경에만 집중하는 경 경향이 있기 때문입니다. 더욱이, 한 병원의 이미지로 학습된 컴퓨터 프로그램은 다른 병원의 이미지를 보여주었을 때 제대로 작동하지 못하는 경우가 많은데, 이는 기계와 스캔 설정이 미세하게 다르기 때문입니다.

연구자들은 암 부위에 대한 정밀한 윤곽을 자동으로 그릴 수 있는 인공지능 시스템을 구축하기 위해 노력해 왔습니다. 일부 시스템은 종양의 일반적인 영역을 찾는 데는 뛰어나지만, 가장자리(edge)를 정확히 잡거나 건강한 조직을 암으로 잘못 표시하는 데 어려움을 겪곤 합니다. 새로운 연구는 단일 유형의 MRI 스캔을 사용하여 이러한 어려움을 처리하도록 설계된 NACS-Net이라는 시스템을 소개합니다. 이 시스템은 단순히 종양을 직접 찾는 대신, 먼저 정상적이고 건강한 전립선 조직이 어떻게 생겼는지를 학습합니다. "정상"을 이해함으로써, 문제를 알리는 미세한 변화를 더 잘 포착할 수 있습니다. 또한, 이 시스템은 전립선 선의 지도와 자신의 작업을 끊임없이 대조하여, 장기 외부의 조직을 암으로 표시하는 일이 없도록 보장합니다. 마지막으로, 시스템은 내부적인 사고 과정을 몇 가지 핵심 개념으로 단순화하여, 이미지가 서로 다른 기기에서 오더라도 일관성을 유지할 수 있도록 돕습니다. 결과에 따르면, 이 접근 방식은 이전 방법들에 비해 더 날카롭고 정확한 종양 윤곽을 만들어내며 오경보를 크게 줄여주지만, 연구진은 이 시스템이 아직 완벽하지 않으며 실제 임상에서의 신뢰성을 확인하기 위한 추가 테스트가 필요하다고 언급했습니다.

MRI에서 전립선암을 찾는 과제는 세 가지 측면이 있습니다. 첫째, 암 병변은 종종 너무 작아서 전체 이미지의 아주 작은 부분만을 차지하는 반면, 스캔의 대부분은 건강한 조직을 보여줍니다. 이러한 불균형은 표준 컴퓨터 모델을 혼란스럽게 만드는데, 모델들이 건강한 조직만을 보는 데 익ert되어 희귀한 질병 부위를 놓치게 만들기 때문입니다. 둘째, T2 강조 영상에서 암은 주변 조직과 매우 유사하게 보여, 둘을 구분할 대비(contrast)가 거의 없습니다. 셋째, 특정 병원의 데이터로 훈련된 모델은 MRI 스캐너의 차이로 인해 이미지가 약간 다르게 보이기 때문에, 다른 병원의 데이터로 테스트했을 때 실패하는 경우가 많습니다. 이러한 문제를 해결하기 위해 연구진은 강력한 사전 훈련된 컴퓨터 비전 모델(본질적으로 수백만 개의 이미지를 통해 패턴을 이미 학습한 시스템)을 전립선암이라는 특정 작업에 적응시키는 프레임워크를 개발했습니다. 그들은 거대한 모델 전체를 다시 훈련시키지 않았는데, 이는 엄청난 컴퓨팅 능력과 데이터를 필요로 하기 때문입니다. 대신, 일반적인 지식을 이 특정 의료 문제에 어떻게 적용할지 가르치는 작고 가벼운 모듈들을 추가했습니다.

그들의 솔루션 중 첫 번째 부분은 풍부한 건강한 조직에 초점을 맞춥니다. 스캔의 건강한 부분을 쓸모없는 배경으로 취급하는 대신, 시스템은 이를 사용하여 "정상"이 어떤 모습인지에 대한 상세한 그림을 학습합니다. 시스템은 건강한 전립선 조직에 대한 정신적 지도를 만들고, 모든 스캔 부분을 이 지도와 비교합니다. 만약 이미지의 특정 섹션이 건강한 지도와 다르게 보인다면, 시스템은 이를 잠재적인 병변으로 표시합니다. 이 "편차(deviation)" 지도는 조직이 예상대로 작동하지 않는 영역을 강조하는 가이드 역할을 합니다. 이러한 접근 방식은 다른 방법들이 놓칠 수 있는 미세하고 대비가 낮은 종양을 찾는 데 도움을 주며, 효과적으로 과도한 건강한 조직이라는 문제를 유용한 단서로 바꿉니다.

시스템의 두 번째 부분은 컴퓨터가 올바른 곳에 집중하도록 보장합니다. 전립선암은 전립선 선 내부에서만 자랄 수 있기 때문에, 연구진은 전립선 모양의 지도와 예측값을 끊임없이 대조하는 규칙을 시스템에 구축했습니다. 이 지도는 본 분석이 시작되기 전 별도의 도구에 의해 자동으로 생성됩니다. 시스템이 종양이 있는 위치에 대한 예측을 정교화함에 따라, 예측이 선의 경계 내에 머물러 있는지 반복적으로 확인합니다. 만약 시스템이 종양이 주변 영역에 있다고 추측하기 시작하면, 이 확인 절차가 이를 바로잡습니다. 이 과정은 여러 단계에 걸쳐 일어나며, 시스템은 매 단계마다 더 정밀해지지만 항상 전립선 내부에 국한됩니다. 이는 시스템이 전립선 외부의 건강한 조직을 암으로 잘못 식별하는 횟수를 획기적으로 줄여주며, 이는 다른 모델들에서 흔히 발생하는 오류입니다.

세 번째 구성 요소는 시스템이 여러 병원에서 더 신뢰할 수 있게 만들기 위해 설계되었습니다. 연구진은 시스템이 최종 결정을 내리기 전에 자신의 발견을 작고 단순한 추상적 아이디어 세트로 요약해야 하는 단계를 추가했습니다. 이는 시스템이 특정 스캐너나 병원에 고유한 사소하고 무관한 세부 사항을 무시하고, 암의 핵심 특징에만 집중하도록 강제합니다. 연구진이 아직 이 추상적인 아이디어들에 구체적인 의학적 명칭을 부여하지는 않았지만, 이들은 시스템의 논리가 입력 이미지가 약간 변하더라도 일관성을 유지하도록 돕는 필터 역할을 합니다. 이 "개념 병목(concept bottleneck)"은 정규화 도구로서 작용하여, 입력 이미지가 변경되더라도 시스템의 논리가 일관되게 유지되도록 합니다.

여러 병원의 MRI 스캔 컬렉션에 대해 테스트했을 때, 새로운 시스템은 기존의 여러 최첨단 방법들과 비교하여 내부적인 위양성(false-positive) 제어 및 외부 중첩 및 경계 정확도 측면에서 유리한 점수 추정치를 보여주었습니다. 내부 테스트에서, 이 시스템은 종양 윤고를 그리는 데 있어 0.444의 AUC를 달iel 성취했으며, 이는 다른 모델들보다 높았습니다. 또한 평균 약 4.5회의 잘못된 탐지 횟수를 기록하여 다른 시스템들보다 적은 오경보를 생성했습니다. 시스템은 이전에 본 적 없는 다른 데이터셋의 완전히 분리된 환자 그룹을 대상으로도 테스트되었습니다. 이 외부 테스트에서, 시스템은 23.5%의 점수를 유지하며 합리적인 수준의 정확도를 유지했고, 특히 선 외부의 오경보를 낮게 유지했습니다. 그러나 이 외부 그룹은 암이 확진된 환자들로만 구성되었기 때문에, 탐지를 위한 표준 순위 지표를 계산할 수 없었습니다. 이는 시스템이 실제 의료 영상에서 발견되는 변동성을 처리할 만큼 충분히 견고하다는 것을 시사하지만, 이것이 가장 강력한 기존 모델들보다 전반적인 탐지 정확도 면에서 우월하다고 주장하는 것은 아닙니다.

그러나 연구진은 이 시스템이 문제를 완전히 해결했다고 주장하는 데 주의를 기울이고 있습니다. 새로운 시스템을 가장 강력한 기존 모델과 직접 비교했을 때, 새로운 시스템이 오경보를 줄이고 종양의 가장자리를 날카롭게 만드는 데는 더 뛰어났지만, 전반적인 탐지 정확도 측면에서는 다른 모델을 유의미하게 능가하지 못했다는 것을 발견했습니다. 또한 연구는 이 시스템이 현재 단일 유형의 MRI 스캔에 의존하고 있는 반면, 의사들은 완전한 그림을 얻기 위해 종종 여러 유형의 스캔을 사용한다는 점을 강조합니다. 연구진은 시스템의 성능이 초기 전립선 지도의 품질에 의해 제한된다는 점을 인정합니다. 즉, 그 지도가 부정확하면 시스템이 집중력을 유지하는 능력이 저하됩니다. 또한, 시스템이 결정을 내리는 데 사용하는 추상적 개념들이 실제 생물학적 특징과 일치하는지 의료 전문가로부터 검증받지 않았다는 점도 언급했습니다.

연구는 결론적으로, 이 새로운 접근 방식이 특히 건강한 조직을 가이드로 사용하고 과정 전반에 걸쳐 해부학적 규칙을 적용함으로써 전립선암의 분할(segmentation)을 개선하는 유망한 방법을 제공한다고 밝힙니다. 이는 사전 훈련된 비전 모델을 특정 작업 지향적 모듈과 결합하는 것이 작은 병변 크기나 병원 간의 데이터 변동성과 같은 의료 영상의 독특한 과제들을 해결할 수 있음을 보여줍니다. 이 시스템이 오류를 줄이고 경계 정밀도를 높이는 데 강력한 잠재력을 보여주기는 하지만, 연구진은 내부 개념의 의학적 의미를 검증하고 다양한 유형의 MRI 스캔을 사용하여 성능을 테스트하기 위한 추가 작업이 필요함을 강조합니다. 궁극적인 목표는 방사선 전문의가 더 정확한 진단을 내릴 수 있도록 돕는 도구를 만드는 것이지만, 현재로서는 이 시스템은 숙련된 연구 프로토타입이지 바로 사용할 수 있는 임상 제품은 아닙니다.