[논문 리뷰] Current and future roles of artificial intelligence in retinopathy of prematurity

Ali Jafarizadeh, Shadi Farabi Maleki외 10명|arXiv (Cornell University)|2024. 02. 15.

Retinopathy of Prematurity Studies인용 수 5

한 줄 요약

본 고찰은 retinopathy of prematurity (ROP)의 탐지 및 관리를 위한 망막 영상 및 AI의 사용을 조사하고, 전통 ML에서 deep learning으로의 전환을 강조하며 현재의 진전, 과제 및 향후 방향을 개략한다.

ABSTRACT

Retinopathy of prematurity (ROP) is a severe condition affecting premature infants, leading to abnormal retinal blood vessel growth, retinal detachment, and potential blindness. While semi-automated systems have been used in the past to diagnose ROP-related plus disease by quantifying retinal vessel features, traditional machine learning (ML) models face challenges like accuracy and overfitting. Recent advancements in deep learning (DL), especially convolutional neural networks (CNNs), have significantly improved ROP detection and classification. The i-ROP deep learning (i-ROP-DL) system also shows promise in detecting plus disease, offering reliable ROP diagnosis potential. This research comprehensively examines the contemporary progress and challenges associated with using retinal imaging and artificial intelligence (AI) to detect ROP, offering valuable insights that can guide further investigation in this domain. Based on 89 original studies in this field (out of 1487 studies that were comprehensively reviewed), we concluded that traditional methods for ROP diagnosis suffer from subjectivity and manual analysis, leading to inconsistent clinical decisions. AI holds great promise for improving ROP management. This review explores AI's potential in ROP detection, classification, diagnosis, and prognosis.

연구 동기 및 목표

• 주관성과 과적합으로 인한 전통 ML 방법의 ROP 진단에서의 한계를 평가한다.
• ROP 탐지 및 plus disease 식별을 위한 딥러닝의 발전을 요약한다.
• 신뢰할 수 있는 ROP 진단을 위한 AI 기반 시스템(예: i-ROP-DL)을 평가한다.
• 연구에서 임상 실무로의 AI 이전을 가로막는 도전과제와 격차를 식별한다.
• AI 지원 ROP 관리의 향후 연구 방향에 대한 지침을 제시한다.

제안 방법

• 더 큰 집합인 1487건의 연구 중에서 AI와 ROP에 관한 89건의 원래 연구를 체계적으로 검토했다.
• 망막 영상 분석을 위한 전통 ML에서 CNN 기반 접근법으로의 방법론 통합.
• 성능, 신뢰성, 주관성, 임상 통합 문제에 대한 논의.
• AI 주도 탐지, 분류, 진단 및 예후 작업의 비교.
• 데이터셋, 검증 및 일반화 고려 사항에 대한 비판적 평가.

실험 결과

연구 질문

• RQ1 망막 영상에서 ROP를 탐지하고 분류하기 위한 AI 방법의 현재 가능성과 한계는 무엇인가?
• RQ2 전통 ML에 비해 딥러닝, 특히 CNN이 ROP 진단 및 plus disease 탐지에 어떻게 향상되었는가?
• RQ3 주관성, 과적합, 검증 등 ROP 관리에서 AI의 임상 채택에 대한 주요 도전과제는 무엇인가?
• RQ4 AI 지원 ROP 관리 발전을 위한 향후 방향 및 연구 격차는 무엇인가?
• RQ5 AI가 ROP 관리에서 예후 및 의사결정에 어떤 영향을 미치는가?

주요 결과

• 전통적인 ROP 진단 방법은 주관성과 수동 분석으로 인해 일관되지 않은 결정으로 이어진다.
• DL 접근법, CNN을 포함한 DL이 ROP 및 plus disease의 탐지와 분류를 크게 향상시켰다.
• i-ROP-DL 시스템은 신뢰할 수 있는 자동 ROP 진단에 대한 가능성을 보여준다.
• AI는 탐지, 분류, 진단 및 예후에 걸쳐 ROP 관리 향상을 위한 강력한 잠재력을 가진다.
• 데이터, 검증, 일반화 및 임상 번역에서 주목할 만한 도전과 격차가 있으며 해결이 필요하다.
• 본 고찰은 광범위한 문헌에서 확인된 89건의 원본 연구에 기반한다.