[논문 리뷰] Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: emerging machine learning techniques and future avenues

Francesco La Rosa, Maxence Wynen외 12명|arXiv (Cornell University)|2022. 01. 19.

Multiple Sclerosis Research Studies인용 수 11

한 줄 요약

이 리뷰는 다발성 경화증에서 고급 MRI 생체지표인 피질 병변, 중심정맥 징후, 펌웨이트 링 병변을 감지하기 위한 새로운 기계학습 기법들을 종합적으로 분석하며, 진단의 정밀도 향상과 예후 정확도 향상 잠재력을 강조한다. 본 논문은 현재의 기계학습 방법을 평가하고, 표준화되지 않은 프로토콜과 제한된 데이터와 같은 과제를 밝히며, 임상 적용을 위한 향후 연구 방향을 제시한다.

ABSTRACT

The current multiple sclerosis (MS) diagnostic criteria lack specificity, and this may lead to misdiagnosis, which remains an issue in present-day clinical practice. In addition, conventional biomarkers only moderately correlate with MS disease progression. Recently, advanced MS lesional imaging biomarkers such as cortical lesions (CL), the central vein sign (CVS), and paramagnetic rim lesions (PRL), visible in specialized magnetic resonance imaging (MRI) sequences, have shown higher specificity in differential diagnosis. Moreover, studies have shown that CL and PRL are potential prognostic biomarkers, the former correlating with cognitive impairments and the latter with early disability progression. As machine learning-based methods have achieved extraordinary performance in the assessment of conventional imaging biomarkers, such as white matter lesion segmentation, several automated or semi-automated methods have been proposed for CL, CVS, and PRL as well. In the present review, we first introduce these advanced MS imaging biomarkers and their imaging methods. Subsequently, we describe the corresponding machine learning-based methods that were used to tackle these clinical questions, putting them into context with respect to the challenges they are still facing, including non-standardized MRI protocols, limited datasets, and moderate inter-rater variability. We conclude by presenting the current limitations that prevent their broader deployment and suggesting future research directions.

연구 동기 및 목표

• 다발성 경화증의 진단 정밀도 향상에 기여하기 위해 고급 MRI 생체지표인 피질 병변, 중심정맥 징후, 펌웨이트 링 병변의 역할을 평가하기 위해.
• 임상 및 연구 환경에서 이러한 생체지표를 자동으로 감지하기 위한 기계학습 방법의 현재 상태를 평가하기 위해.
• 표준화되지 않은 MRI 프로토콜, 제한된 데이터셋, 생체지표 신뢰성에 영향을 주는 중간 정도의 평가자 간 변동성과 같은 주요 과제를 식별하기 위해.
• 기계학습 기반 생체지표 감지의 강건성, 일반화 능력 및 임상 전환을 향상시키기 위한 향후 연구 방향을 제안하기 위해.

제안 방법

• 특수 MRI 시퀀스를 사용하여 피질 병변, 중심정맥 징후, 펌웨이트 링 병변 감지를 위한 기계학습 응용에 대한 체계적 리뷰를 수행하였다.
• 딥 러닝 모델인 U-Net 및 3D 컨볼루션 네트워크를 포함한 병변 세그멘테이션 및 분류에 사용된 기계학습 기법의 분류를 수행하였다.
• MRI 촬영 프로토콜의 중앙 간 변동성 및 표준화된 레이블링의 부족과 같은 방법론적 과제 평가를 수행하였다.
• 모델의 일반화 및 검증에 장애가 되는 작은 비균일한 데이터셋과 같은 데이터 제약 조건 분석을 수행하였다.
• 인지 기능 저하 및 기능 장애 진행과의 관련성을 중심으로 임상적 의미와 기술적 성능의 통합을 고려하였다.
• 평가자 간 변동성과 같은 열린 과제 및 다중 센터, 다중 스캐너 검증 연구의 필요성을 논의하였다.

실험 결과

연구 질문

• RQ1 기계학습 기법은 다발성 경화증 환자에서 피질 병변, 중심정맥 징후, 펌웨이트 링 병변의 감지 및 정량화를 어떻게 향상시키는가?
• RQ2 이러한 기계학습 기반 생체지표 감지 기법의 광범위한 도입을 저해하는 주요 기술적 및 임상적 과제는 무엇인가?
• RQ3 이러한 고급 생체지표는 인지 기능 저하 및 조기 기능 장애 진행과 같은 임상 결과와 어느 정도 관련이 있는가?
• RQ4 MRI 프로토콜의 표준화와 데이터 공유는 다발성 경화증 영상에서 기계학습 모델의 성능과 신뢰성 향상에 어떻게 기여하는가?
• RQ5 다발성 경화증에서 기계학습 기반 생체지표 감지의 임상 전환을 가능하게 하기 위해 필요한 향후 연구 방향은 무엇인가?

주요 결과

• 피질 병변은 인지 기능 저하와 강한 상관관계가 있으며, 펌웨이트 링 병변은 조기 기능 장애 진행과 강한 상관관계가 있어 예후 생체지표로서의 가치를 지닌다.
• 중심정맥 징후는 전통적인 MRI 마커보다 다발성 경화증과 다른 디미엘리네이팅 질환을 구분하는 데 더 높은 특이도를 보였다.
• 특히 U-Net과 같은 딥 러닝 아키텍처를 활용한 기계학습 모델은 피질 병변 세그멘테이션과 중심정맥 징후 식별에서 높은 성능을 달성하였다.
• 진전에도 불구하고 현재의 기계학습 방법은 표준화되지 않은 MRI 프로토콜과 대규모 다중 센터 데이터셋의 부족으로 인해 과제를 겪고 있다.
• 평가자 간 변동성은 중간 정도로 유지되고 있어, 더 강력하고 재현 가능한 애너테이션 프레임워크의 필요성을 강조한다.
• 향후 이러한 생체지표를 임상 적용에 도입하기 위해서는 표준화된 촬영 프로토콜, 더 큰 데이터셋, 다양한 스캐너 플랫폼에서의 검증이 필요하다.