[논문 리뷰] CathAI: Fully Automated Interpretation of Coronary Angiograms Using Neural Networks

Robert Avram, Jeffrey E. Olgin외 9명|arXiv (Cornell University)|2021. 06. 14.

Cardiac Imaging and Diagnostics참고 문헌 42인용 수 5

한 줄 요약

CathAI는 전방위적으로 자동화된 딥 러닝 기반 시스템으로, 전용 신경망의 시퀀스를 통해 관상동맥 조영을 해석한다. 이 시스템은 고정도 정확도를 달성하여 투영 각도 검출(≥90% PPV, 민감도, F1), 좌/우 관상동맥 식별(≥93%), 폐색성 협착 예측(AUC = 0.862, 외부 검증 AUC = 0.869)에 성공하여 관상동맥 질환의 표준화되고 재현 가능한 평가를 가능하게 한다.

ABSTRACT

Coronary heart disease (CHD) is the leading cause of adult death in the United States and worldwide, and for which the coronary angiography procedure is the primary gateway for diagnosis and clinical management decisions. The standard-of-care for interpretation of coronary angiograms depends upon ad-hoc visual assessment by the physician operator. However, ad-hoc visual interpretation of angiograms is poorly reproducible, highly variable and bias prone. Here we show for the first time that fully-automated angiogram interpretation to estimate coronary artery stenosis is possible using a sequence of deep neural network algorithms. The algorithmic pipeline we developed--called CathAI--achieves state-of-the art performance across the sequence of tasks required to accomplish automated interpretation of unselected, real-world angiograms. CathAI (Algorithms 1-2) demonstrated positive predictive value, sensitivity and F1 score of >=90% to identify the projection angle overall and >=93% for left or right coronary artery angiogram detection, the primary anatomic structures of interest. To predict obstructive coronary artery stenosis (>=70% stenosis), CathAI (Algorithm 4) exhibited an area under the receiver operating characteristic curve (AUC) of 0.862 (95% CI: 0.843-0.880). When externally validated in a healthcare system in another country, CathAI AUC was 0.869 (95% CI: 0.830-0.907) to predict obstructive coronary artery stenosis. Our results demonstrate that multiple purpose-built neural networks can function in sequence to accomplish the complex series of tasks required for automated analysis of real-world angiograms. Deployment of CathAI may serve to increase standardization and reproducibility in coronary stenosis assessment, while providing a robust foundation to accomplish future tasks for algorithmic angiographic interpretation.

연구 동기 및 목표

• 관상동맥 조영의 의사 주도 시각적 해석에 대한 표준화 부족과 높은 변동성 문제를 해결하기 위해.
• 사람의 간섭 없이 선택되지 않은 실제 임상 환경의 관상동맥 조영을 자동으로 해석할 수 있는 완전 자동화 시스템을 개발하기 위해.
• 딥 러닝을 활용해 관상동맥 협착 평가의 재현성 향상과 편향 감소를 위해.
• 미래의 알고리즘 기반 관상동맥 조영 해석을 위한 견고하고 확장 가능한 기반 마련을 위해.
• 다양한 임상 환경, 해외 의료 시스템까지 포함된 외부 검증을 통해 시스템의 타당성과 일반화 능력을 입증하기 위해.

제안 방법

• 시스템은 관상동맥 조영에서 다중 작업을 수행하기 위해 순차적으로 훈련된 딥 뉴럴 네트워크의 파이프라인을 활용한다.
• 알고리즘 1 및 2는 높은 정밀도로 투영 각도를 검출하고 좌/우 관상동맥 구조를 식별한다.
• 시스템은 핵심 해부학적 구조의 이미지 수준 분류 및 국소화를 위해 컨volutional 신경망(CNNs)을 사용한다.
• 특화된 신경망(알고리즘 4)은 조영에서 유도된 혈역학적 및 형태학적 특징을 기반으로 폐색성 관상동맥 협착(≥70% 협착)을 예측한다.
• 모델은 임상 실무에서 수집한 선택되지 않은 관상동맥 조영의 대규모 실생활 데이터셋을 기반으로 훈련된다.
• 일반화 능력과 견고성을 평가하기 위해 다른 의료 시스템에서 외부 검증이 수행되었다.

실험 결과

연구 질문

• RQ1 선택되지 않은 실생활 관상동맥 조영을 완전 자동화된 엔드 투 엔드 신경망 파이프라인으로 정확하게 해석할 수 있는가?
• RQ2 좌·우 관상동맥 및 투영 각도와 같은 주요 해부학적 구조를 높은 성능으로 검출할 수 있는가?
• RQ3 폐색성 관상동맥 협착(≥70% 협착)을 높은 진단 정확도로 신뢰성 있게 예측할 수 있는가?
• RQ4 다른 임상 환경과 지리적 지역에서 외부 검증을 수행했을 때 시스템의 성능이 유지되는가?
• RQ5 이러한 자동화 시스템이 시각적 해석 대비 관상동맥 협착 평가의 재현성 향상과 변동성 감소에 기여할 수 있는가?

주요 결과

• CathAI는 관상동맥 조영에서 투영 각도 검출에 대해 최소 90%의 양성 예측도, 민감도, F1 스코어를 달성했다.
• 시스템은 조영에서 좌 또는 우 관상동맥 식별에 대해 최소 93%의 검출 정확도를 보였다.
• 폐색성 관상동맥 협착(≥70% 협착) 예측에 대해 CathAI는 수확률 곡선 아래 면적(AUC)이 0.862(95% 신뢰구간: 0.843–0.880)을 기록했다.
• 다른 나라의 의료 시스템에서의 외부 검증에서 폐색성 협착 예측 AUC는 0.869(95% 신뢰구간: 0.830–0.907)였다.
• 순차적인 신경망 파이프라인은 실생활 임상 환경에서 자동 조영 해석을 위해 필요한 복잡한 다단계 작업을 성공적으로 수행했다.
• 결과적으로 전면 자동화된 딥 러닝 기반의 관상동맥 조영 해석은 실현 가능하며 임상적으로 유망하다는 것이 입증되었다.