[논문 리뷰] Deep Learning Applications for Lung Cancer Diagnosis: A systematic review

Hesamoddin Hosseini, Reza Monsefi외 1명|arXiv (Cornell University)|2022. 01. 01.

Lung Cancer Diagnosis and Treatment인용 수 5

한 줄 요약

이 체계적 리뷰는 의료 영상 기반 조기 폐암 진단을 위한 딥러닝 모델, 특히 컨volution 신경망(CNN)을 평가한다. 2016~2021년 사이 32篇의 연구를 분석하여 모델의 일반화 능력, 데이터 품질, 임상 통합에 있어 핵심 과제를 규명하면서도, 결절 탐지 및 분류 분야에서 최신 기술 수준의 정확도와 민감도를 강조하며 임상의 및 연구자들에게 실질적인 통찰을 제공한다.

ABSTRACT

Lung cancer has been one of the most prevalent disease in recent years. According to the research of this field, more than 200,000 cases are identified each year in the US. Uncontrolled multiplication and growth of the lung cells result in malignant tumour formation. Recently, deep learning algorithms, especially Convolutional Neural Networks (CNN), have become a superior way to automatically diagnose disease. The purpose of this article is to review different models that lead to different accuracy and sensitivity in the diagnosis of early-stage lung cancer and to help physicians and researchers in this field. The main purpose of this work is to identify the challenges that exist in lung cancer based on deep learning. The survey is systematically written that combines regular mapping and literature review to review 32 conference and journal articles in the field from 2016 to 2021. After analysing and reviewing the articles, the questions raised in the articles are being answered. This research is superior to other review articles in this field due to the complete review of relevant articles and systematic write up.

연구 동기 및 목표

• 의료 영상 기반 조기 폐암 진단에 응용된 딥러닝 기술을 종합적으로 평가하기 위해.
• 임상 환경에서 폐암 탐지에 활용되는 딥러닝 모델을 구현할 때 발생하는 핵심 과제를 규명하고 분석하기 위해.
• 최신 딥러닝 모델의 성능 지표(정확도, 민감도, 특이도)를 평가하기 위해.
• 2016년부터 2021년까지의 32편의 동료심사된 논문을 체계적으로 종합하여 임상 및 연구 의사결정 지원을 위해.
• 실제 임상 적용과 AI 연구 간 격차를 해소하기 위해, 모델 배포 과정에서의 실질적 장벽과 기회를 부각시키기 위해.

제안 방법

• 2016~2021년 사이의 학술지 및 컫퍼런스에서 출판된 32편의 동료심사 논문을 체계적으로 분석하고 구조화된 맵핑 및 통합을 수행하였다.
• 특히 CT 스캔 및 영상 자료에서 폐암 진단을 위해 딥러닝 모델, 특히 컨volution 신경망(CNN)을 활용한 연구에 집중하였다.
• 선택된 연구들에서 사용된 모델 아키텍처, 손실 함수, 데이터 증강 기법, 학습 프로토콜을 평가하였다.
• 과제 기반으로 모델을 분류: 결절 탐지, 분류(양성/악성), 세그멘테이션.
• 주제 분석을 통해 연구 간 반복되는 과제와 성능 추세를 규명하기 위해 연구 결과를 통합하였다.
• 기사 선별 및 리뷰 과정의 투명성과 재현 가능성을 확보하기 위해 PRISMA 스타일의 방법론을 적용하였다.

실험 결과

연구 질문

• RQ1 3D CNN을 사용한 저선량 CT 스캔에서 조기 폐암을 진단할 때 가장 높은 정확도와 민감도를 보인 딥러닝 아키텍처는 무엇인가?
• RQ2 실제 임상 환경에서 폐암 진단에 딥러닝 모델을 구현하는 데 걸림돌이 되는 주요 기술적 및 임상적 과제는 무엇인가?
• RQ3 데이터 품질, 크기, 증강 전략은 폐암 영상에서의 모델 성능에 어떤 영향을 미치는가?
• RQ4 최근 폐암 진단을 위한 딥러닝 연구에서 가장 흔히 사용되는 평가 지표는 무엇이며, 연구 간 비교 시 어떻게 다를 수 있는가?
• RQ5 현재의 모델들은 다양한 환자 집단과 영상 프로토콜 간 일반화를 어떻게 해결하고 있는가?

주요 결과

• 최고의 성능을 보인 모델들은 3D CNN을 활용해 저선량 CT 스캔에서 결절을 양성 또는 악성으로 분류할 때 90% 이상의 정확도와 88% 이상의 민감도를 기록하였다.
• DenseNet 및 ResNet과 같은 사전 학습된 모델을 활용한 전이 학습은 소규모 또는 불균형 데이터셋에서 성능을 크게 향상시켰다.
• 데이터 증강 및 합성 데이터 생성 기법은 널리 사용되었으며, 이는 모델의 강건성 향상과 과적합 감소에 기여함을 입증하였다.
• 통제된 환경에서는 높은 성능를 보였지만, 다양한 스캐너 유형과 환자 인구 통계 간 일반화 능력 향상은 여전히 주요 과제로 남아 있었다.
• 해석 가능성 부족, 모델의 불확실성 추정 부족, 규제 승인 절차 미비로 인해 임상 통합이 제한되었다.
• 대부분의 모델이 후향적, 단일 기관 기반 데이터셋에서만 테스트되었기 때문에 실제 임상 환경에서의 검증 연구가 부족함을 규명하였다.