[논문 리뷰] Developing and deploying deep learning models in brain MRI: a review

Kunal Aggarwal, Marina Manso Jimeno외 3명|arXiv (Cornell University)|2023. 01. 03.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 리뷰는 뇌 MRI에서 딥러닝(DL) 모델을 개발하고 구현하는 데 있어 최선의 실천 방안을 종합적으로 정리하며, 설명 가능성, 데이터 품질 및 규제 지침 준수를 통해 임상 적용을 강조한다. 연구 모델과 실제 임상 적용 사이의 격차를 메우기 위해 FDA의 양호한 머신러닝 실천 가이드라인(GMLP)에 기반한 체크리스트를 제공한다.

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has benefited from deep learning (DL) to alleviate the burden on radiologists and MR technologists, and improve throughput. The easy accessibility of DL tools have resulted in the rapid increase of DL models and subsequent peer-reviewed publications. However, the rate of deployment in clinical settings is low. Therefore, this review attempts to bring together the ideas from data collection to deployment into the clinic building on the guidelines and principles that accreditation agencies have espoused. We introduce the need for and the role of DL to deliver accessible MRI. This is followed by a brief review of DL examples in the context of neuropathologies. Based on these studies and others, we collate the prerequisites to develop and deploy DL models for brain MRI. We then delve into the guiding principles to practice good machine learning practices in the context of neuroimaging with a focus on explainability. A checklist based on the FDA's good machine learning practices is provided as a summary of these guidelines. Finally, we review the current challenges and future opportunities in DL for brain MRI.

연구 동기 및 목표

• 연구용 딥러닝 모델과 뇌 MRI에서의 임상 적용 사이의 증가하는 격차를 해소하기 위해.
• 신경영상 분야에서 강력하고 일반화 가능한 DL 모델을 개발하기 위한 핵심 전제 조건을 식별하고 종합하기 위해.
• 임상에서 DL 모델을 채택할 때 설명 가능성과 투명성의 중요성을 강조하기 위해.
• 신경영상 응용 분야에 맞게 조정된 FDA의 양호한 머신러닝 실천 가이드라인(GMLP) 기반 실용적이고 실행 가능한 체크리스트를 제공하기 위해.
• 뇌 MRI에 대한 딥러닝의 임상 번역에서 현재의 과제와 미래의 기회를 제시하기 위해.

제안 방법

• 다양한 신경질환 분야에서 뇌 MRI에 응용된 딥러닝에 관한 동료 심사 논문을 대상으로 한 체계적 리뷰.
• 인증 기관 및 규제 기관(예: FDA)의 지침을 종합하여 모델 개발의 최선의 실천 방안을 도출하기 위해.
• 신경영상 분야에 특화된 FDA의 양호한 머신러닝 실천(GMLP) 기반의 체계적인 체크리스트 개발.
• 임상 신뢰성 확보를 위해 데이터 정제, 모델 해석 가능성 및 검증 전략에 중점을 두기 위해.
• 모델 수명 주기 관리에 있어 재현성, 공정성 및 강건성 원칙을 통합하기 위해.
• 각 모델 개발 및 구현 단계를 구체화하기 위해 발표된 연구의 예시를 활용하기 위해.

실험 결과

연구 질문

• RQ1 뇌 MRI에서 임상적으로 유용한 딥러닝 모델을 개발하기 위한 핵심 전제 조건은 무엇인가요?
• RQ2 어떻게 설명 가능성과 해석 가능성은 뇌영상 분야의 딥러닝 파이프라인에 체계적으로 통합될 수 있나요?
• RQ3 높은 연구 출판 수에도 불구하고 뇌 MRI에서의 딥러닝 모델 임상 적용에 있어 주요 장애물은 무엇인가요?
• RQ4 규제 및 인증 기준은 의료 영상 분야의 딥러닝에 어떻게 실질적으로 적용될 수 있나요?
• RQ5 다양한 임상 환경에서 모델의 일반화 능력과 강건성을 확보하기 위한 가장 효과적인 전략은 무엇인가요?

주요 결과

• 연구 논문의 급격한 증가에도 불구하고, 뇌 MRI에서의 딥러닝 모델 임상 적용 비율은 여전히 낮다.
• 이 리뷰는 임상 번역의 주요 장애물로 데이터 품질, 모델 해석 가능성 및 규제 준수를 규명한다.
• 신경영상 분야에서 모델 개발 및 평가의 표준화를 위해 FDA의 양호한 머신러닝 실천(GMLP) 기반의 체크리스트를 제안한다.
• 의사의 신뢰를 구축하고 규제 승인을 촉진하기 위해 주의 맵과 민감도 방법과 같은 설명 가능성 기법이 필수적이다.
• 편향을 줄이고 모델의 일반화 능력을 확보하기 위해 다양한 데이터셋과 스캐너 프로토콜에서의 강력한 검증이 필요하다.
• 미래의 기회로는 표준화된 데이터 공유, 피어드레이티드 러닝, 그리고 PACS 및 임상 워크플로우에 딥러닝 모델 통합이 있다.