[논문 리뷰] Artificial Intelligence For Breast Cancer Detection: Trends & Directions.

Shahid Munir Shah, Rizwan Ahmed Khan외 2명|arXiv (Cornell University)|2021. 10. 03.

AI in cancer detection참고 문헌 173인용 수 5

한 줄 요약

이 논문은 인공지능 기반 유방암 검출에 대한 종합적인 리뷰를 제공하며, 유방촬영 영상에 적용된 딥러닝 방법에 중점을 둡니다. 영상 모odal리티, 데이터셋, 최신 CNN 아키텍처를 평가하며, 신뢰할 수 있고 해석 가능한 AI 시스템을 위한 조기에 진단을 지원하기 위해 설명 가능성과 임상 통합 과제를 강조합니다.

ABSTRACT

In the last decade, researchers working in the domain of computer vision and Artificial Intelligence (AI) have beefed up their efforts to come up with the automated framework that not only detects but also identifies stage of breast cancer. The reason for this surge in research activities in this direction are mainly due to advent of robust AI algorithms (deep learning), availability of hardware that can train those robust and complex AI algorithms and accessibility of large enough dataset required for training AI algorithms. Different imaging modalities that have been exploited by researchers to automate the task of breast cancer detection are mammograms, ultrasound, magnetic resonance imaging, histopathological images or any combination of them. This article analyzes these imaging modalities and presents their strengths, limitations and enlists resources from where their datasets can be accessed for research purpose. This article then summarizes AI and computer vision based state-of-the-art methods proposed in the last decade, to detect breast cancer using various imaging modalities. Generally, in this article we have focused on to review frameworks that have reported results using mammograms as it is most widely used breast imaging modality that serves as first test that medical practitioners usually prescribe for the detection of breast cancer. Second reason of focusing on mammogram imaging modalities is the availability of its labeled datasets. Datasets availability is one of the most important aspect for the development of AI based frameworks as such algorithms are data hungry and generally quality of dataset affects performance of AI based algorithms. In a nutshell, this research article will act as a primary resource for the research community working in the field of automated breast imaging analysis.

연구 동기 및 목표

• 유방암 검출에 사용되는 주요 의료 영상 모달리티의 강점과 한계를 분석하기 위해.
• 지난 10년간 유방촬영에 적용된 AI 및 컴퓨터 비전 기법—특히 딥러닝—을 검토하기 위해.
• 자동 유방암 검출 연구를 수행하는 연구자들이 이용할 수 있는 접근성 있고 공개된 데이터셋을 정리하기 위해.
• 의료진의 신뢰를 확보하기 위해 임상 의사결정 지원 시스템에서 설명 가능한 AI의 필수성에 주목하기 위해.
• AI 기반 자동 유방 영상 분석 시스템을 개발하는 연구자들을 위한 비전도를 제공하기 위해.

제안 방법

• 2010년에서 2021년 사이의 유방암 검출 분야에서의 AI 및 컴퓨터 비전 방법에 대한 체계적 리뷰.
• 기존 기계학습(수작업 특징 추출)과 딥러닝(엔드 투 엔드 특징 학습)으로 AI 알고리즘을 분류.
• 의료 영상 분석 분야에서 주로 사용되는 컨볼루션 신경망(CNN) 아키텍처에 대한 심층 분석.
• 유방촬영 및 조직병리 영상에 적용된 유명한 사전 훈련된 CNN 아키텍처(예: VGG, ResNet, DenseNet) 평가.
• 유방촬영, 초음파, MRI, 조직병리학 등 각 영상 모달리티에 대해 직접 링크가 포함된 공개 가능한 데이터셋 정리.
• 데이터 부족, 모델 설명 가능성, 딥러닝의 '블랙박스' 성격 등 임상 환경에서의 과제 논의.

실험 결과

연구 질문

• RQ1 AI 기반 유방암 검출에 있어 가장 효과적인 영상 모달리티는 무엇이며, 각각의 강점과 한계는 무엇인가요?
• RQ2 특히 CNN 기반 모델은 어떻게 유방촬영 영상을 활용한 자동 유방암 검출 분야의 기술 수준을 향상시켰나요?
• RQ3 AI 모델을 훈련하고 평가하기 위해 사용할 수 있는 공개된, 완전히 레이블링된 데이터셋은 무엇이 있나요?
• RQ4 왜 모델의 설명 가능성은 방사선의학 분야에서 AI의 임상적 도입에 필수적인가요? 현재 이를 달성하는 데서의 한계는 무엇인가요?
• RQ5 AI 기반 의사결정 지원 시스템을 정기적인 임상 실무에 통합하는 데 있어 주요 장애물은 무엇인가요?

주요 결과

• 유방암 선별에 가장 널리 사용되고 접근성이 높은 영상 모달리티로, 레이블링된 데이터셋이 풍부하게 제공됩니다.
• 딥러닝 모델, 특히 CNN 기반 아키텍처가 기존 기계학습 방법에 비해 유방암 검출 및 분류에서 뚜렷한 성능 향상을 보였습니다.
• 대규모이고 잘 레이블링된 데이터셋의 가용성은 의료 영상 분야에서 고성능 AI 모델을 훈련시키는 데 핵심적인 요소입니다.
• 높은 정확도에도 불구하고 딥러닝 모델는 종종 '블랙박스'로 간주되어 임상 환경에서의 신뢰도와 도입에 제약을 받습니다.
• 의료진은 AI 의사결정의 설명 가능성과 해석 가능성의 중요성을 최우선으로 평가하며, 투명하고 해석 가능한 AI 모델의 필요성을 강조합니다.
• AI를 임상 워크플로우에 통합하기 위해서는 기술적 정확성 외에도 윤리적 프레임워크와 규제 기준이 필요하여 안전성과 책임성을 확보해야 합니다.