[논문 리뷰] Deep Learning in Computer-Aided Diagnosis and Treatment of Tumors: A Survey

Dan Zhao, Guizhi Xu외 4명|arXiv (Cornell University)|2020. 11. 02.

AI in cancer detection참고 문헌 100인용 수 6

한 줄 요약

이 종합 검토는 2017–2019년 사이에 발생한 종양의 컴퓨터 지원 진단 및 치료를 위한 딥러닝의 최근 발전을 검토하며, 임상 단계인 체외 진단(In-Vitro Diagnosis), 영상 진단(Imaging Diagnosis), 병리 진단(Pathological Diagnosis), 치료 계획(Treatment Planning)의 네 단계로 나누어 진행 상황을 정리한다. 이 논문은 의료 작업에 적합한 핵심 딥러닝 모델을 특정하고, 방사선 독성 및 약물 반응과 같이 탐색이 부족한 임상 예측 분야를 강조하며, 최신 모델과 적대적 내성(adversarial robustness)의 통합을 통해 임상적 관련성과 신뢰성을 향상시키기 위한 필요성을 제기한다.

ABSTRACT

Computer-Aided Diagnosis and Treatment of Tumors is a hot topic of deep learning in recent years, which constitutes a series of medical tasks, such as detection of tumor markers, the outline of tumor leisures, subtypes and stages of tumors, prediction of therapeutic effect, and drug development. Meanwhile, there are some deep learning models with precise positioning and excellent performance produced in mainstream task scenarios. Thus follow to introduce deep learning methods from task-orient, mainly focus on the improvements for medical tasks. Then to summarize the recent progress in four stages of tumor diagnosis and treatment, which named In-Vitro Diagnosis (IVD), Imaging Diagnosis (ID), Pathological Diagnosis (PD), and Treatment Planning (TP). According to the specific data types and medical tasks of each stage, we present the applications of deep learning in the Computer-Aided Diagnosis and Treatment of Tumors and analyzing the excellent works therein. This survey concludes by discussing research issues and suggesting challenges for future improvement.

연구 동기 및 목표

• 2017년부터 2019년까지 종양 진단 및 치료 분야에서의 딥러닝 응용을 체계화하여 기존 검토에서의 격차를 보완하기.
• IVD, ID, PD, TP의 임상 워크플로우를 따라 연구 진전을 정리하여 투명하고 임무 중심의 지식 구조를 제공하기.
• 예를 들어 트랜스포머(Transformer), 세그넷(SegNet)와 같은 활용이 부족한 최신 딥러닝 모델을 식별하고 종양학 응용 분야에 통합할 것을 촉구하기.
• 생존 예측보다는 방사선 독성 및 약물 반응과 같은 임상적으로 의미 있는 예측 작업을 강조하기.
• 종양 진단 및 치료 분야에서 적대적 내성 연구의 심각한 부족을 다루며, 모델 신뢰성과 윤리적 고려사항을 포함한 향후 연구를 촉구하기.

제안 방법

• 논문은 종양 진단 및 치료 분야의 딥러닝 응용에 대한 체계적 검토를 수행하며, 체외 진단(IVD), 영상 진단(ID), 병리 진단(PD), 치료 계획(TP)의 네 가지 임상 단계에 집중한다.
• 의료 작업 유형—검출, 분할, 분류, 예측—기반으로 딥러닝 모델을 분류하고 분석하며, 모델 아키텍처를 임상 데이터 유형과 연결한다.
• 최신 모델들(예: U-Net, R-CNN, 트랜스포머)을 비교하고 특정 의료 작업에 대한 성능 및 적합성을 평가한다.
• 임상적으로 관련성이 높은 예측 작업(예: 방사선 용량 반응)과 일반적으로 보고되지만 더 이상의 조치가 어려운 작업(예: 생존 예측) 사이의 괴리를 식별한다.
• 모델의 해석 가능성과 적대적 내성의 중요성을 강조하며, 인공지능 분야에서 중요성이 증가하고 있음에도 불구하고 종양학 분야에서는 이러한 연구가 부족하다고 지적한다.
• 논문은 실제 임상 적용 가능성을 향상시키기 위해 NCCN 임상 실무 지침을 기준으로 삼아 연구를 임상 기준과 일치시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 종양 진단 및 치료의 네 단계 전반에 걸쳐 어떻게 체계적으로 분류되고 적용될 수 있는가?
• RQ2 방사선 독성 또는 약물 반응과 같은 임상적으로 의미 있는 예측 작업은 높은 임상적 가치가 있음에도 불구하고 왜 탐색이 부족한가?
• RQ3 현재 종양학 분야의 딥러닝 응용에서 주요한 제한 요소는 무엇인가? 특히 모델의 일반화 능력과 내성 측면에서.
• RQ4 최신 딥러닝 아키텍처(예: 트랜스포머, 세그넷)는 어떻게 의료 영상 및 임상 데이터 분석에 더 잘 통합될 수 있는가?
• RQ5 적대적 훈련과 내성 평가가 종양 진단 및 치료에서 인공지능의 신뢰성과 신뢰도를 향상시키는 데 어떤 역할을 할 수 있는가?

주요 결과

• 종양 진단 분야의 대부분의 딥러닝 연구는 검출, 분할, 분류 작업에 집중되어 있으며, 임상적으로 조치 가능한 예측 분야에서는 진전이 미미하다.
• U-Net과 같은 모델은 의료 영상 분야에서 널리 채택되고 개선되고 있지만, 트랜스포머 및 Segmentation is All You Need와 같은 더 발전된 아키텍처는 종양학 분야에서 여전히 활용이 부족하다.
• 치료 반응과 관련된 예측 작업—예를 들어 방사선 독성, 약물 효과, 종양 침식 등—은 임상적으로 중요하지만, 데이터 부족과 느린 연구 진전으로 인해 제약을 받고 있다.
• 생존 및 수명 예측은 자주 보고되지만, 일반적으로 알려진 결과(예: 악성 종양에서의 높은 사망률)를 확인하는 데 그치는 바, 임상적 유용성이 떨어진다.
• 적대적 내성과 모델의 신뢰성은 종양 진단 분야에서 거의 탐색되지 않은 채로 남아 있으며, 향후 영향력 있는 연구 격차로 높은 잠재력을 지닌다.
• 딥러닝을 임상 지침(예: NCCN)과 통합하는 것은 인공지능 연구가 실제 종양학 임상 실무와 일치하도록 하기 위해 필수적이다.