[논문 리뷰] Artificial Intelligence-Based Detection, Classification and Prediction/Prognosis in PET Imaging: Towards Radiophenomics

Fereshteh Yousefirizi, Pierre Decasez외 4명|arXiv (Cornell University)|2021. 10. 20.

Radiomics and Machine Learning in Medical ImagingMedicine인용 수 1

한 줄 요약

이 논문은 방사학적 특성 및 딥 러닝을 활용한 인공지능 기반 프레임워크를 제안하여 종양학적 PET 및 PET/CT 영상에서 자동으로 병변을 탐지하고 분류하며 예후를 예측하는 데 목적이 있다. 수동으로 추출한 특성와 딥 러닝 기반 특성 추출을 통합하여 비침습적 종양 특성 분석을 위한 미세한 영상 패턴을 추출하는 동시에, 임상 적용 시 발생하는 과제와 자연어 처리(NLP) 및 신경-기호 기반 AI와 같은 보완 기법을 강조한다.

ABSTRACT

Artificial intelligence (AI) techniques have significant potential to enable effective, robust, and automated image phenotyping including identification of subtle patterns. AI-based detection searches the image space to find the regions of interest based on patterns and features. There is a spectrum of tumor histologies from benign to malignant that can be identified by AI-based classification approaches using image features. The extraction of minable information from images gives way to the field of radiomics and can be explored via explicit (handcrafted/engineered) and deep radiomics frameworks. Radiomics analysis has the potential to be utilized as a noninvasive technique for the accurate characterization of tumors to improve diagnosis and treatment monitoring. This work reviews AI-based techniques, with a special focus on oncological PET and PET/CT imaging, for different detection, classification, and prediction/prognosis tasks. We also discuss needed efforts to enable the translation of AI techniques to routine clinical workflows, and potential improvements and complementary techniques such as the use of natural language processing on electronic health records and neuro-symbolic AI techniques.

연구 동기 및 목표

• 패턴 인식을 통해 PET/CT 영상에서 관심 영역(ROI)을 자동으로 탐지하기 위한 AI 기반 방법 개발.
• 영상 유도 특성을 활용하여 양성에서 악성에 이르기까지 다양한 조직형질에 걸쳐 정확한 종양 분류를 가능하게 하기.
• 수동으로 추출한 특성와 딥 러닝 기반 특성 추출을 융합하여 방사학적 특성 기반으로 비침습적 종양 특성 분석을 향상시키기.
• 영상 표현형을 활용한 예측 및 예후 기능을 통해 진단 및 치료 모니터링 향상 지원.
• 다중 모odal 데이터 융합을 포함하여 AI를 정규 임상 워크플로우에 통합하기 위한 장애 요인과 해결책 식별.

제안 방법

• 학습된 영상 패턴과 특성을 기반으로 AI 기반 탐지 기법을 활용해 PET/CT 영상 스캔을 수행하고 관심 영역(ROI)을 식별.
• 영상 특성에 기반한 AI 기반 분류 모델을 적용하여 양성 및 악성 종양 조직형질을 구분.
• 명시적(수동으로 추출한) 방사학적 특성과 딥 러닝 기반 방사학적 특성 프레임워크를 활용해 탐지 가능한, 특징적인 영상 특성 추출.
• AI와 방사학적 특성의 융합을 통해 의료 영상에서 종양 표현형의 비침습적 특성 분석을 가능하게 함.
• 전자 건강 기록에 자연어 처리(NLP)를 적용하여 임상적 맥락과 모델의 해석 가능성 향상.
• 신경-기호 기반 AI 기법을 활용해 추론 능력, 설명 가능성 향상 및 임상 지식과 영상 데이터의 융합 강화.

실험 결과

연구 질문

• RQ1 패턴 인식을 통해 AI가 어떻게 PET/CT 영상에서 미세한 관심 영역(ROI)을 효과적으로 탐지할 수 있는가?
• RQ2 AI 기반 분류 모델이 영상 특성을 기반으로 얼마나 정확하게 종양 조직형질을 양성에서 악성까지 구분할 수 있는가?
• RQ3 수동으로 추출한 방사학적 특성과 딥 러닝 기반 방사학적 특성 중 어떤 것이 PET 영상에서 예후 및 진단 정보 추출에 더 중요한 역할을 하는가?
• RQ4 AI 모델은 종양 영상 분석의 정규 임상 워크플로우에 어떻게 통합될 수 있는가?
• RQ5 NLP와 신경-기호 기반 AI 기법은 AI 기반 PET 영상에서의 설명 가능성과 임상적 유용성을 어떻게 향상시킬 수 있는가?

주요 결과

• AI 기반 탐지 기법은 복잡한 영상 패턴을 학습함으로써 PET/CT 영상에서 관심 영역(ROI)을 성공적으로 식별한다.
• AI 기반 분류 모델은 양성에서 악성에 이르기까지 다양한 조직형질의 종양을 구분하는 데 잠재력을 보인다.
• 특히 딥 러닝과 융합된 방사학적 특성 기반 기법은 종양의 강력한 비침습적 특성 분석을 가능하게 한다.
• 전자 건강 기록에 NLP를 통합한 AI 기반 접근은 맥락 이해 및 모델 성능 향상에 기여한다.
• 신경-기호 기반 AI 기법은 AI 기반 영상 분석에서 설명 가능성과 임상적 추론 능력을 향상시키는 길을 제시한다.
• PET 영상에서 AI의 임상 적용을 위해서는 표준화, 검증 및 워크플로우 통합 과제 해결이 필요하다.