[논문 리뷰] A Scalable Machine Learning Approach for Inferring Probabilistic US-LI-RADS Categorization

Imon Banerjee, Hailey H. Choi외 2명|arXiv (Cornell University)|2018. 06. 15.

Radiomics and Machine Learning in Medical Imaging참고 문헌 16인용 수 7

한 줄 요약

이 논문은 인간 레이블이 필요한 것을 요구하지 않고, 구조화되지 않은 방사선 검사 보고서에서 확률적 US-LI-RADS 분류를 추론하는 확장 가능한 기계학습 모델을 제시한다. 템플릿 기반 보고서에서 자동으로 추출한 구조화된 LI-RADS 점수를 활용함으로써, 이 모델은 지식을 구조화된 보고서에서 비구조화된 보고서로 전이시키며, 간세포성 간암 스크리닝 및 치료 계획의 대규모 표준화를 가능하게 하고, 자동화된 텍스트 마이닝을 통해 인공지능 기반 연구를 지원한다.

ABSTRACT

We propose a scalable computerized approach for large-scale inference of Liver Imaging Reporting and Data System (LI-RADS) final assessment categories in narrative ultrasound (US) reports. Although our model was trained on reports created using a LI-RADS template, it was also able to infer LI-RADS scoring for unstructured reports that were created before the LI-RADS guidelines were established. No human-labelled data was required in any step of this study; for training, LI-RADS scores were automatically extracted from those reports that contained structured LI-RADS scores, and it translated the derived knowledge to reasoning on unstructured radiology reports. By providing automated LI-RADS categorization, our approach may enable standardizing screening recommendations and treatment planning of patients at risk for hepatocellular carcinoma, and it may facilitate AI-based healthcare research with US images by offering large scale text mining and data gathering opportunities from standard hospital clinical data repositories.

연구 동기 및 목표

• 서술형 초음파 보고서에서 LI-RADS 최종 평가 카테고리를 자동으로 추론할 수 있는 확장 가능한 자동화된 방법을 개발하는 것.
• 표준화된 LI-RADS 지침이 도입되기 이전에 작성된 비구조화된 보고서에 대해서도 LI-RADS 분류를 추론할 수 있도록 하는 것.
• 템플릿 기반 보고서에서 자동으로 추출한 구조화된 점수를 활용하여 인간 애너테이션 데이터를 사용하지 않고 모델 훈련을 수행하는 것.
• 임상 데이터 레포지터리 간의 스크리닝 및 치료 권고 표준화를 통해 대규모 데이터 마이닝 및 인공지능 연구를 지원하는 것.
• 간세포성 간암 관리에 있어 방사선 텍스트 데이터를 인공지능 기반 헬스케어 시스템에 통합하는 것을 촉진하는 것.

제안 방법

• 모델은 템플릿 기반 보고서에서 자동으로 추출한 구조화된 LI-RADS 점수를 포함한 방사선 보고서를 훈련 데이터로 사용하는 기계학습 파이프라인을 사용한다.
• 자연어 처리 기법을 적용하여 관련 영상 소견 및 결과를 LI-RADS 기준에 매핑한다.
• 전이 학습 기법을 통해, 구조화된 보고서에서 비구조화된 보고서로 지식을 일반화할 수 있도록 하며, 특히 LI-RADS 지침이 도입되기 이전에 작성된 보고서에도 적용 가능하다.
• 시스템은 불확실성과 보고서 해석의 임상적 변동성을 반영하는 확률적 LI-RADS 분류를 출력한다.
• 훈련 또는 추론 과정에서 어떤 단계에서도 인간 애너테이션 데이터를 사용하지 않았으며, 기존 보고서에서 자동으로 추출한 점수에만 의존한다.
• 대규모 병원 전자 의무기록 시스템 및 임상 데이터 레포지터리에서의 확장성을 고려하여 설계되었다.

실험 결과

연구 질문

• RQ1 인간 레이블이 없는 훈련 데이터를 사용하여 기계학습 모델이 비구조화된 초음파 보고서에서 LI-RADS 분류를 추론할 수 있는가?
• RQ2 구조화된 템플릿 기반 보고서에서 훈련된 모델이 이전 임상 실무에서 작성된 비구조화된 보고서로 얼마나 잘 일반화되는가?
• RQ3 보고서에서 자동으로 추출한 구조화된 LI-RADS 점수가 비구조화된 텍스트에 대한 후속 추론을 얼마나 정확하게 지원하는가?
• RQ4 확장 가능한 NLP 파이프라인을 통해 간세포성 간암 스크리닝 및 치료 계획의 대규모 표준화를 달성할 수 있는가?
• RQ5 이러한 시스템이 초음파 영상 데이터에 기반한 인공지능 기반 연구를 지원하는 데 실현 가능한가?

주요 결과

• 모델은 인간 레이블이 전혀 필요 없이 비구조화된 초음파 보고서에서 확률적 LI-RADS 카테고리를 성공적으로 추론하였다.
• LI-RADS 지침이 도입되기 이전에 작성된 보고서를 포함하여, 구조화된 보고서에서 비구조화된 보고서로의 효과적인 일반화를 달성하였다.
• 이 방법은 간세포성 간암 스크리닝 및 치료의 표준화를 지원하는 대규모 자동 분류를 가능하게 하였다.
• 자동으로 추출한 구조화된 점수를 활용함으로써, 모델 훈련 과정에서 비용이 많이 드는 인간 애너테이션의 필요성을 회피하였다.
• 기존 임상 데이터 레포지터리의 대규모 텍스트 마이닝을 가능하게 하여, 인공지능 기반 연구를 위한 확장 가능한 기반을 제공하였다.
• 모델의 확률적 출력은 영상 해석의 불확실성을 반영함으로써 임상 의사결정 지원에 기여하였다.