[논문 리뷰] Artificial intelligence technology in oncology: a new technological paradigm

Mario Coccia|arXiv (Cornell University)|2019. 05. 14.

Radiomics and Machine Learning in Medical Imaging인용 수 10

한 줄 요약

이 논문은 인공지능(AI), 특히 딥러닝이 의료 영상 기반 폐, 유방, 갑상선 암의 더 정확한 검출, 특성화 및 모니터링을 가능하게 하여 옹소학 분야에서 변화를 일으키고 있다고 제안한다. 이는 고위험 암 사망률이 AI 기술 혁신을 가속화하는 '사망률 기반 AI 기술적 궤적'을 식별하며, 검증된 AI 도구가 병리의사의 효율성과 환자 예후를 향상시킬 수 있는 암 진단의 범주 전환을 예고한다.

ABSTRACT

Artificial Intelligence (AI) technology is based on theory and development of computer systems able to perform tasks that normally require human intelligence. In this context, deep learning is a family of computational methods that allow an algorithm to program itself by learning from a large set of examples that demonstrate the desired behavior. Application of these methods to medical imaging can assist pathologists in the detection of cancer subtype, gene mutations and/or metastases for applying appropriate therapies. The purpose of this study is to show the emerging application of AI in medical imaging to detect lung and breast cancer. Moreover, this study shows the comparative evolutionary pathways of this emerging technology for three critical cancers: lung, breast and thyroid. A main finding of this study is the recognition that, since the late 1990, the sharp increase of technological trajectories of AI technology applied in cancer imaging seems to be driven by high rates of mortality of some types of cancer (e.g., lung and breast) in order to find new techniques for a more accurate detection, characterization and monitoring as well as to apply efficiently anticancer therapies that increase the progression-free survival of patients: the so-called mortality-driven AI technological trajectories. Results also suggest that this new technology can generate a technological paradigm shift for diagnostic assessment of any cancer type. However, application of these methods to medical imaging requires further assessment and validation to assist pathologists to increase the efficiency of their workflow in both routine tasks and critical cases of diagnostics.

연구 동기 및 목표

• 의료 영상에서 암 검출 및 진단을 위한 AI의 부상하는 역할을 조사하기.
• 폐, 유방, 갑상선 암의 세 가지 주요 암 유형에서 AI 응용의 기술적 궤적을 분석하기.
• 고위험 암 사망률이 옹소학 분야의 AI 혁신을 가속화하는지 조사하기.
• AI가 암 진단 워크플로우의 범주 전환을 가능하게 할 잠재력을 평가하기.

제안 방법

• 1990년대 후반부터 현재까지의 암 사망률 및 AI 개발 데이터를 활용하여 옹소학 분야의 AI 기술적 궤적을 분석한다.
• 비교적 진화적 경로 분석을 적용하여 폐, 유방, 갑상선 암 영상에서 AI 응용의 성장과 영향을 추적한다.
• 대규모 의료 영상 데이터셋에서 학습함으로써 알고리즘을 자가 프로그래밍할 수 있는 딥러닝 방법을 사용한다.
• 영상 데이터의 패턴 인식을 통해 암 아형, 유전자 돌연변이, 전이의 검출 성능을 평가한다.
• 다양한 암 유형 간 AI 응용의 기술적 발전 속도를 비교하여 사망률 기반 혁신 패턴을 식별한다.
• 일상적 및 복잡한 진단 과제에 대한 임상 병리 워크플로우에 AI 통합의 가능성과 영향을 평가한다.

실험 결과

연구 질문

• RQ1 AI 기술은 옹소학 분야, 특히 암 검출을 위한 의료 영상에서 어떻게 진화해 왔는가?
• RQ2 폐암 및 유방암과 같은 암에서 높은 사망률이 옹소학 분야의 AI 개발을 얼마나 강하게 이끄는가?
• RQ3 폐, 유방, 갑상선 암에서 AI의 비교적 기술적 궤적은 어떠한가?
• RQ4 옹소학 분야의 AI 응용이 암 진단 평가의 범주 전환을 이끌 수 있는가?
• RQ5 AI는 일상적 및 복잡한 경우에서 병리의사가 진단 효율성과 정확도를 향상시키는 데 어떻게 기여할 수 있는가?

주요 결과

• 1990년대 후반 이래로 폐암 및 유방암과 같이 높은 사망률을 보이는 암에서 AI 기술의 기술적 궤적이 급격히 증가하였다.
• 본 연구는 '사망률 기반 AI 기술적 궤적'을 식별하였으며, 이는 고위험 암 사망률이 더 나은 검출 및 치료를 위한 AI 혁신을 가속화한다는 것을 의미한다.
• 의료 영상에 적용된 딥러닝 모델은 높은 정확도로 암 아형, 유전자 돌연변이, 전이를 탐지할 잠재력을 보였다.
• 병리 워크플로우에 AI를 통합하면 진단 효율성을 크게 향상시키고 임상 의사결정 지원에 기여할 수 있다.
• 폐암과 유방암은 갑상선암보다 더 가속화된 AI 개발 궤적을 보였으며, 이는 높은 사망률과 상관관계가 있었다.
• 연구 결과는 AI가 모든 암 유형에서 암 진단의 기술적 범주 전환을 이끌 수 있는 잠재력을 지닌다는 것을 시사한다.