[논문 리뷰] Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities

Manu S. Goyal, Thomas Knackstedt외 2명|arXiv (Cornell University)|2019. 11. 26.

Cutaneous Melanoma Detection and Management인용 수 15

한 줄 요약

이 리뷰는 임상적, 피부내시경적, 조직병리학적 영상에 적용된 딥러닝 모델을 중심으로 인공지능 기반 피부암 진단 영상 분류를 평가한다. 제한된 환경에서는 인공지능이 피부과 전문의와 동등하거나 그 이상의 성능을 보였지만, 임상 데이터 통합 부족, 편향, 일반화 능력 제한 등으로 인해 실제 임상 현장에 적용하는 데 있어 여전히 핵심적인 장벽이 존재한다.

ABSTRACT

Recently, there has been great interest in developing Artificial Intelligence (AI) enabled computer-aided diagnostics solutions for the diagnosis of skin cancer. With the increasing incidence of skin cancers, low awareness among a growing population, and a lack of adequate clinical expertise and services, there is an immediate need for AI systems to assist clinicians in this domain. A large number of skin lesion datasets are available publicly, and researchers have developed AI-based image classification solutions, particularly deep learning algorithms, to distinguish malignant skin lesions from benign lesions in different image modalities such as dermoscopic, clinical, and histopathology images. Despite the various claims of AI systems achieving higher accuracy than dermatologists in the classification of different skin lesions, these AI systems are still in the very early stages of clinical application in terms of being ready to aid clinicians in the diagnosis of skin cancers. In this review, we discuss advancements in the digital image-based AI solutions for the diagnosis of skin cancer, along with some challenges and future opportunities to improve these AI systems to support dermatologists and enhance their ability to diagnose skin cancer.

연구 동기 및 목표

• 다양한 영상 모odalities에서 인공지능 기반 영상 분류의 현재 상태를 평가하기 위해.
• 실제 임상 현장에 적용되는 데 걸림돌이 되는 주요 기술적 및 임상적 과제를 규명하기 위해.
• 임상 메타데이터 및 다중 모달리티 데이터 통합을 통해 인공지능의 강건성 향상 기회를 탐색하기 위해.
• 안전하고 효과적인 인공지능 도구의 임상 적용을 위해 철저한 임상 검증 및 컴퓨터 비전 및 피부과 분야 간 협력의 중요성을 주장하기 위해.

제안 방법

• PubMed 및 Google Scholar를 활용한 체계적 문헌 검토(2012–2020), 타겟 검색어 기반.
• 영상 모달리티(임상, 피부내시경, 조직병리학적 영상)별로 인공지능 성능 연구를 분류.
• 공개된 데이터셋, 특히 ISIC 아카이브의 분석 및 AI 모델 훈련 및 벤치마킹에서의 역할.
• 모델 일반화 능력을 향상시키기 위한 데이터 증강, GAN 및 전이 학습 기법 평가.
• 영상 특징과 임상 메타데이터를 융합한 하이브리드 모델의 진단 정확도 향상 분석.
• 피부과 전문의의 진단 워크플로우를 모방하는 다중 모달리티 파이프라인 논의.

실험 결과

연구 질문

• RQ1 다양한 영상 모달리티에서 인공지능 모델은 피부과 전문의에 비해 피부 병변 분류 성능에서 어떻게 비교되는가?
• RQ2 피부암 진단에서 인공지능의 실제 임상 적용을 제한하는 주요 기술적 및 임상적 과제는 무엇인가?
• RQ3 영상 데이터와 함께 임상 메타데이터를 통합하면 인공지능 진단 정확도가 향상되는가?
• RQ4 데이터 증강 및 생성 모델은 모델의 강건성과 일반화 능력을 어떻게 향상시킬 수 있는가?
• RQ5 철저한 임상 검증은 피부과 분야에서 안전하고 효과적인 인공지능 도구 배포를 보장하기 위해 어떤 역할을 하는가?

주요 결과

• 피부내시경 영상 및 임상 영상로 훈련된 인공지능 모델은 제한된 조건에서 자격을 갖춘 피부과 전문의와 동등하거나 그 이상의 성능을 보였다.
• 영상 데이터만으로 훈련된 딥러닝 모델은 특히 어두은 피부색을 가진 인구 집단의 부족으로 인해 다양한 인구 집단에 일반화하기 어려운 경향이 있다.
• 환자 병력 및 생활 방식 요소와 같은 임상 메타데이터 통합은 한 연구에서 균형 임계값 정확도를 약 7% 향상시켰다.
• 현재 인공지능 시스템은 피부내시경 영상 및 조직병리학적 영상 등 다양한 모달리티 데이터를 통합하지 못해 완전한 피부과 전문의의 진단 파이프라인을 모방하지 못하고 있다.
• 연구 환경에서의 높은 성능와 실제 임상 적용 사이에는 데이터 노이즈, 편향, 다양한 인구 집단에서의 검증 부족으로 인해 심각한 격차가 존재한다.
• 인공지능 도구가 임상 실무에 안전하게 도입되기 전에 철저한 임상 검증과 인공지능 연구자 및 피부과 전문가 간의 협력이 필수적이다.