Artificial intelligence–assisted detection of lung cancer using bronchoscopic images

기술 요약: 기관지 내시경 영상을 이용한 인공지능 기반 폐암 검출

문제 제기
폐암은 전 세계적으로 암 관련 사망의 주요 원인으로 남아 있으며, 조기 및 정확한 진단이 필수적이다. 기관지 내시경은 기도를 시각화하고 기관지 내 병변을 채취하는 표준 절차이지만, 그 진단 성능은 가변적이며 검사자의 숙련도에 크게 의존한다. 가시적인 중심부 병변에 대한 민감도는 높지만(80–90%), 주변부 또는 미세한 소견에 대해서는 현저히 떨어진다. 또한, 침습적인 확진 절차는 합병증의 위험을 수반한다. 인공지능(AI)이 다른 의료 영상 분야(예: CT, 위장관 내시경)에서 유망한 성과를 보여왔음에도 불구하고, 백색광 기관지 내시경 영상을 이용한 폐암 검출에 대한 적용은 제한적이었다. 이 특정 영역에 관한 기존 연구들은 대개 단일 센터 설계, 상대적으로 작은 데이터셋, 그리고 데이터 누수(data leakage)를 유발하여 모델 성능을 과대평가할 수 있는 이미지 단위의 데이터 분할과 같은 방법론적 결함을 가지고 있었다.

연구 방법론
본 연구는 백색광 기관지 내시경 영상을 이용한 폐암 검출을 위한 딥러닝 모델을 개발하고 검증하기 위해 회고적, 다기관 설계를 채택하였다.

• 데이터 출처: 데이터셋은 2016년 1월부터 2024년 12월 사이에 두 개의 독립된 기관(한림대학교 강남성심병원 및 한림대학교 동탄성심병원)에서 수집된 1,828명의 환자와 14,118장의 이미지를 포함한다. 데이터에는 1,231건의 정상 사례와 597건의 폐암 사례가 포함되었다.
• 데이터셋 분할: 방법론적 엄격성을 보장하고 정보 누수를 방지하기 위해, 데이터셋은 이미지 단위가 아닌 환자 단위로 학습(1,284명), 검증(271명), 테스트(273명) 세트로 분할되었다.
• 모델 아키텍처: 두 가지 합성곱 신경망(CNN) 아키텍처인 ResNet34와 EfficientNet-B1를 평가하였다. 두 모델 모두 ImageNet 사전 학습 가중치로 초기화되었으며, 기관지 내시경 데이터셋을 통해 미세 조정(fine-tuning)되었다.
• 학습 프로토콜: 모델은 Adam 옵티마이저(학습률 0.0001, 배치 크기 128)를 사용하여 150 에포크(epoch) 동안 학습되었다. 정상 이미지와 암 이미지 사이의 불균형을 해결하기 위해 클래스 가중치(class weighting)가 적용되었다. 데이터 증강(Data augmentation)에는 무작위 아핀 변환, 회전, 이동, 스케일링 및 전단(shearing)이 포함되었다.
• 과업(Tasks):
  1. 이진 분류(Binary Classification): 정상 이미지와 폐암 이미지를 구분함.
  2. 아형 분류(Subtype Classification): 폐암 이미지를 네 가지 조직학적 범주인 편평세포암(SQC), 소세포폐암(SCLC), 선암(ADC), 그리고 기타 아형으로 구분함.
• 평가 지표: 성능은 정확도(accuracy), 민감도(sensitivity), 특이도(specificity), 양성 예측도(PPV), 음성 예측도(NPV), 그리고 ROC 곡선 아래 면적(AUC)을 사용하여 평가되었다.

주요 결과

• 이진 분류: 두 모델 모두 높은 진단 성능을 보였다. EfficientNet-B1은 ResNet34보다 약간 더 우수한 결과를 나타냈다:
  • EfficientNet-B1: 정확도 0.952, 민감도 0.911, 특이도 0.992, AUC 0.985.
  • ResNet34: 정확도 0.945, 민감도 0.905, 특이도 0.985, AUC 0.980.
  • EfficientNet-B1은 ResNet34에 비해 위양성률(false positive rate)이 눈에 띄게 낮았으며(14 대 27), 이는 정상과 악성 소견을 구별하는 데 있어 더 높은 특이도를 나타낸다.
• 아형 분류: 조직학적 아형 분류를 위한 전반적인 성능은 완만하였는데, 이는 백색광 시각적 특징만으로 아형을 구별하는 데 내재된 어려움을 반영한다.
  • 편평세포암(SQC): 두 모델 모두에서 가장 높은 민감도를 보였다 (ResNet34: 0.733; EfficientNet-B1: 0.727).
  • 선암(ADC): 가장 낮은 민감도를 보였다 (Resest34: 0.162; EfficientNet-B1: 0.393).
  • 소세포폐암 및 기타: 두 모델 모두에서 중간 또는 낮은 민감도를 나타냈다.
  • 아형 간의 성능 차이는 병변의 시각적 특성(예: SQC는 흔히 외생적이고 중심부에 위치하는 반면, ADC는 흔히 주변부에 위치하며 미세한 소견을 보임)과 각 아형에 대해 사용 가능한 학습 이미지 수의 차이에서 기인하였다.

핵심 기여

1. 방법론적 엄격성: 기존의 단일 센터 연구와 달리, 본 연구는 다기관 데이터셋을 활용하였으며, 특히 데이터 누수를 제거하고 모델의 일반화 가능성에 대한 보다 현실적인 추정치를 제공하기 위해 엄격한 환자 단위 데이터셋 분할을 구현하였다.
2. 아키텍처 비교: 본 연구는 백색광 기관지 내시경 폐암 검출을 위해 ResNet과 EfficientNet 아키텍처를 직접 비교한 몇 안 되는 연구 중 하나이며, EfficientNet-B1이 약간 더 우수함을 발견하였다.
3. 아형 탐색: 본 연구는 해당 모달리티에서 백색광 기관지 내시경 영상만을 사용하여 딥러닝 기반의 폐암 조직학적 아형 분류를 시도하였으며, 이를 통해 이 접근법의 잠재력과 현재의 한계를 동시에 제시하였다.

의의 및 주장
저자들은 백색광 기관지 내시경 영상에 적용된 딥러닝 모델이 폐암 검출에 높은 진단 성능을 보이며, 특히 EfficientNet-B1이 ResNet34보다 약간 우세하다고 주장한다. 이러한 결과는 AI 보조 기관지 내시경이 업무량이 많거나 검사자의 숙련도가 다양한 환경에서 검출률을 높이는 데 임상적으로 유용한 보조 도구가 될 수 있음을 시사한다.

그러나 논문은 임상 적용에 대해 신중한 어조를 유지하고 있다. 저자들은 현재 모델이 회고적 데이터와 정지 영상을 기반으로 하고 있음을 강조한다. 또한, 이 모델들이 일상적인 임상 현장에 도입되기 전에는 전향적 다기관 검증이 반드시 필요하다고 명시적으로 밝히고 있다. 나아가, 아형 분류에서의 완만한 성능은 시각적 특징만으로는 확정적인 조직학적 진단에 불сколько 충분하지 않음을 나타내며, 이는 포괄적인 진단 접근을 위해 향에 의한 EBUS 또는 CT와 같은 보완적인 모달리티와의 통합이 필요할 수 있음을 시사한다.