Development of a Computer Vision System for Stone Segmentation During CVAC 2.0 In-Scope Aspiration Ureteroscopy

기술 요약: CVAC 2.0 유연 요관경 절제술을 위한 StoneClear

문제 제기
현대 내요로학(endourology)의 주요 과제는 유연 요관경 절제술(fURS) 시 완전한 결석 제거 상태를 달성하는 것이다. 레이저 결석 파쇄술과 CVAC® 2.0 흡입 시스템과 같은 흡입 보조 시스템의 발전에도 불구하고, 잔류 결석 파편(RSF)이 빈번하게 남아 재발의 근원이 되고 있다. 결정적인 한계는 수술 중 육안 검사의 주관성이다. 수술 시야는 종종 결석 가루, 혈액, 관류액으로 인한 "스노우스톰(snowstorm)" 효과에 의해 가려진다. 또한, 흡입 보조 요관경 절제술의 독특한 환경은 고속 입자 이동, 파편의 일시적 가시성, 그리고 흡입 카테터에 의한 부분적 폐쇄를 유발한다. 외과의들은 현재 잔류 결석 부하를 정량화하거나 시각적 제거를 확증할 수 있는 객나적인 실시간 도구가 없으며, 이로 인해 수술 중 "시각적 제거"와 수술 후 방사선학적 결석 제거율 사이에 불일치가 발생한다.

방법론
저자들은 CVAC® 2.0 장치를 이용한 조향 가능 요관경 결석 제거(SURE) 과정에서 잔류 결석 파편(RSF)을 탐지하고 경계를 획정하도록 설계된 인공지능 컴퓨터 비전 시스템인 StoneClear를 개발하였다.

• 데이터 수집: CVAC® 2.0 장치를 이용한 fURS를 받는 10명의 환자로부터 수술 중 비디오를 전향적으로 수집하였다. 총 160만 개 이상의 비디오 프레임 중에서, 밀집된 픽셀 수준 주석(annotation)을 위해 2,416개의 고효용 프레임을 표본으로 선택하였다.
• 주석 작업: 전문의 자격을 갖춘 비뇨의학과 의사들이 MELAGE 플랫폼을 사용하여 이진 결석 마스크(binary stone masks)를 수동으로 획정하였다. 데이터셋에는 결석이 포함된 1,439개 프레임과 결석이 없는 977개 프레임이 포함되었다. 결정적으로, 결석이 없는 세트에는 요관 점막, 혈액, 기포, 그리고 랜들 플라크(Randall's plaques, 고정된 점막 석회화)와 같은 까다로운 배경 요소가 포함되었으며, 모델이 이들을 자유롭게 떠다니는 파편과 구별할 수 있도록 이들을 결석이 아닌 것으로 명시적으로 주석 처리하였다.
• 모델 아키텍처: StoneClear는 두 단계의 순차적 프로세스로 작동한다:
  1. 게이트키퍼(Gatekeeper, 프레임 단위 탐지): 프레임 내에 결석이 존재하는지 여부를 결정한다.
  2. 아웃라이너(Outliner, 픽셀 단위 분할): 결석이 탐지되면, 정밀한 픽셀 단위 경계를 획정한다.
     시스템은 시각적 특징을 추출하기 위해 **트랜스포머 기반 딥러닝 아키텍처(PraNet-V2)**를 활용한다. 로컬 패치만을 조사하는 전통적인 컨볼루션 모델과 달리, 트랜스포머는 이미지 전체의 관계를 분석하여 실제 결석과 반사 또는 그림자를 구분하는 데 도움을 준다.
  3. 게이팅 메커니즘(Gating Mechanism): 시각적으로 까다로운 결석 없는 프레임에서 위양성(false-positive) 예측을 억제하기 위해 새로운 게이팅 메커니즘이 통합되었다.
• 평가: 모델 성능은 환자 수준의 5-겹 교차 검증(8개 절차 학습, 2개 절차 테스트)을 통해 평가되었다. 평가지표로는 프레임 분류 정확도, 위양성률(FPR), 위음성률(FNR), 그리고 다이스 유사 계수(Dice Similarity Coefficient, DSC)가 사용되었다.

주요 결과

• 탐지 정확도: StoneClear는 비디오 프레임에서 결석의 존재 여부를 **92.8%**의 정확도로 식별하였다.
• 분할 정밀도: 결석이 보이는 프레임에 대해, 모델은 평균 **0.86의 다이스 유사 계수(DSC)**를 달성하였으며, 이는 AI 예측과 전문가의 윤곽선 사이에 우수한 공간적 중첩을 나타낸다.
• 위양성 감소: 결석이 없는 프레임에서 StoneClear는 **13.6%**의 위양성률을 기록하였다. 이는 표준 모델에 비해 유의미한 개선이다. 게이팅 메커니로가 없는 경우 위양성률은 **78.2%**까지 상승했으며, U-Net 기반 아키텍처는 **24.75%**의 위양성률을 보였다. 제안된 게이팅 메커니즘은 표준 분할 아키텍처에 비해 위양성 분할을 5배 이상 감소시켰다.
• 임상적 맥락: 수술 전 평균 결석 부피는 10,925.36 mm³였으며, 수술 후 평균 잔류 부피는 170.20 mm³였다.

핵심 기여

1. 최초의 흡입 보조 요관경 절제용 CV 시스템: 본 연구는 CVAC® 2.0 시스템의 역동적인 흡입 보зо 환경에 특화되어 개발된 최초의 컴퓨터 비전 프레임워크를 제시하며, 기존의 비흡입형 fURS 중심의 수술 중 AI 연구의 공백을 메운다.
2. 새로운 게이팅 메커니즘: 분류 기반의 게이팅 메커니즘 도입을 통해 내시경 비디오의 광학적 아티팩트(혈액, 기포, 반사)와 관련된 높은 위양성률 문제를 효과적으로 완화하였다.
3. 강력한 개념 증명: 트랜스포머 기반 모델이 실시간 수술 환경에서 치료 가능한 잔류 파편과 고정된 해부학적 구조물(예: 랜들 플라크)을 높은 정확도로 구별할 수 있음을 입증하였다.

의의 및 주장
본 논문은 StoneClear를 수술 후 방사선학적 영상 검사를 대체하는 도구가 아니라, 실시간 AI 보조 수술 중 시각적 평가를 위한 강력한 개념 증명으로 위치시킨다. 저자들은 StoneClear가 객관적인 시각적 추적과 정확한 경계 국소화를 제공함으로써, 실시간 잔류 결석 부피 추정을 위한 중요한 토대를 마련한다고 주장한다. 이 기술은 외과의가 수술을 종료하기 전 내시경적 제거를 확인할 수 있도록 지원하여, 본 연구에서 언급된 바와 같이 시각적 추정을 과대평가하는 주관적 시각적 추정의 의존도를 줄이는 것을 목표로 한다. 저자들은 소화기내과에서의 성공적인 컴퓨터 비전 적용 사례(용종 탐지)와 평행선을 그리며, AI 오버레이 시스템이 임상적 도움을 주기 위해 100%의 정밀도를 요구하는 것이 아니라, 외과의의 간과를 유의미하게 줄여줄 수 있다면 충분히 가치가 있다고 주장한다.

한계점
저자들은 10명의 환자라는 적은 코호트 규모와 단일 센터 연구라는 점을 인정하였다. 또한, 평가가 모든 케이스의 전체 길이에 대한 것이 아니라, 밀집된 프레임별 주석 작업에 필요한 막대한 노동력을 고려하여 전략적으로 선택된 프레임들에 국한되었다는 점을 밝혔다. 전체 길이의 미선택된 케이스 녹화본에 대한 검증이 향후 연구가 필요한 방향임을 명시하였다.