[논문 리뷰] AI in Thyroid Cancer Diagnosis: Techniques, Trends, and Future Directions

Yassine Habchi, Yassine Himeur외 6명|arXiv (Cornell University)|2023. 08. 25.

Thyroid Cancer Diagnosis and Treatment인용 수 7

한 줄 요약

이 논문은 갑상선암 진단을 위한 인공지능 기법—특히 딥러닝과 머신러닝—을 검토하며, 알고리즘 유형, 목적, 계산 플랫폼에 따라 AI 방법을 새로운 분류 체계로 제안한다. 데이터 품질과 모델 해석 가능성 등의 핵심 과제를 밝히면서도, 진단 정확도와 임상 환경 내 개인정보 보호를 향상시키기 위한 설명 가능한 AI와 엣지 컴퓨팅과 같은 새로운 추세를 강조한다.

ABSTRACT

There has been a growing interest in creating intelligent diagnostic systems to assist medical professionals in analyzing and processing big data for the treatment of incurable diseases. One of the key challenges in this field is detecting thyroid cancer, where advancements have been made using machine learning (ML) and big data analytics to evaluate thyroid cancer prognosis and determine a patient's risk of malignancy. This review paper summarizes a large collection of articles related to artificial intelligence (AI)-based techniques used in the diagnosis of thyroid cancer. Accordingly, a new classification was introduced to classify these techniques based on the AI algorithms used, the purpose of the framework, and the computing platforms used. Additionally, this study compares existing thyroid cancer datasets based on their features. The focus of this study is on how AI-based tools can support the diagnosis and treatment of thyroid cancer, through supervised, unsupervised, or hybrid techniques. It also highlights the progress made and the unresolved challenges in this field. Finally, the future trends and areas of focus in this field are discussed.

연구 동기 및 목표

• 알고리즘, 응용 목적, 계산 플랫폼에 따라 갑상선암 진단을 위한 기반 인공지능 기법을 체계적으로 검토하고 분류하는 것.
• 데이터 품질, 크기, 임상적 관련성 측면에서 기존 갑상선암 데이터셋의 특징을 평가하여 데이터 가용성의 격차를 파악하는 것.
• 갑상선 농양 탐지 및 악성도 분류에 있어 지도학습, 비지도학습, 하이브리드 AI 모델의 성능와 한계를 분석하는 것.
• 청결하고 표준화된 데이터셋 부족과 임상 적용 시 모델의 해석 가능성 부족과 같은 해결되지 않은 과제를 식별하는 것.
• 설명 가능한 AI, 피어드 페더레이티드 러닝, 엣지 컴퓨팅과 같은 향후 연구 방향을 탐색하여 진단 정확도와 환자 개인정보 보호를 향상시키는 것.

제안 방법

• 갑상선암 진단에서의 인공지능 기법을 위한 새로운 다차원 분류 프레임워크를 제안하며, AI 알고리즘 유형(예: CNN, SVM, XGBoost), 목적(예: 분류, 세분화), 계산 플랫폼(예: 클라우드, 엣지, 퍼그)에 따라 정리한다.
• 특징, 샘플 크기, 영상 모odal리티, 임상 애너테이션 측면에서 15개 이상의 공개된 갑상선암 데이터셋(예: TCD, TCGA, SEER, WBCD)을 검토하고 비교한다.
• 농양 분류 및 위험 예측에 있어 지도학습 모델(예: CNN, 랜덤 포레스트, SVM)과 비지도학습 방법(예: 군집화, 오토에인코더)의 성능을 분석한다.
• 전이 학습, 피어드 페더레이티드 러닝, 설명 가능한 AI(XAI)와 같은 새로운 인공지능 패러다임을 평가하여 모델의 일반화 능력 향상과 임상 신뢰성 확보에 기여한다.
• 전통적 머신러닝과 딥러닝을 융합한 하이브리드 접근 방식(예: CNN + XGBoost)을 통합하여 진단 정확도와 강인성을 향상시킨다.
• 패노프틱 세분화, 데이터 증강을 위한 생성적 적대 기반 네트워크(GANs), 적응형 의사결정 지원을 위한 강화 학습과 같은 고급 기법의 역할을 논의한다.

Figure 1: (a) The different kinds of cancer and (b) Thyroid cancer detection methods.

실험 결과

연구 질문

• RQ1 CNN, SVM, XGBoost 등의 다양한 인공지능 알고리즘은 갑상선 농양을 양성 또는 악성으로 분류하는 데 있어 성능에서 어떻게 비교되는가?
• RQ2 현재 갑상선암 데이터셋의 주요 한계는 데이터 품질, 크기, 기능 다양성 측면에서 무엇인가?
• RQ3 설명 가능한 AI(XAI)와 피어드 페더레이티드 러닝은 임상 적용 시 모델의 투명성과 개인정보 보호를 어떻게 향상시킬 수 있는가?
• RQ4 CNN + 앙상블 기법 등의 하이브리드 인공지능 모델은 진단 정확도와 강인성을 향상시키는 데 어떤 역할을 하는가?
• RQ5 엣지 컴퓨팅과 패노프틱 세분화와 같은 신기술은 실시간으로 정확하고 개인정보 보호를 고려한 갑상선암 진단을 어떻게 발전시킬 수 있는가?

주요 결과

• 딥러닝 모델, 특히 컨볼루션 네트워크(CNNs)는 전통적인 머신러닝 방법에 비해 갑상선 농양 분류에서 뛰어난 정확도를 보인다.
• 표준화되고 고품질이며 대규모의 데이터셋 부족은 갑상선암 진단을 위한 강력하고 일반화 가능한 인공지능 모델을 훈련시키는 데 있어 주요 장애물로 남아 있다.
• 설명 가능한 AI(XAI)와 피어드 페더레이티드 러닝은 임상 적용에서 모델의 해석 가능성 향상과 환자 데이터 개인정보 보호를 위한 핵심 수단으로 부상하고 있다.
• CNN과 앙상블 기법(예: XGBoost, 랜덤 포레스트)을 융합한 하이브리드 모델은 특징 추출과 결정 수준 융합을 통해 성능 향상을 보였다.
• 패노프틱 세분화와 3D 기반 딥러닝 접근 방식은 정확한 부피 기반 농양 탐지 및 특성 분석에 유망하지만, 3D 애너테이션 데이터셋의 희소성으로 인해 제한을 받는다.
• 생성형 AI 모델, 예를 들어 GANs는 희귀 갑상선암 유형에 특히 유용한 데이터 증강을 가능하게 하여 모델의 일반화 능력을 향상시키고 과적합을 줄인다.

Figure 2: Taxonomy of the thyroid cancer detection schemes based in AI.