[논문 리뷰] Image Based Artificial Intelligence in Wound Assessment: A Systematic Review

DM Anisuzzaman, Chuanbo Wang외 4명|arXiv (Cornell University)|2020. 09. 15.

Wound Healing and Treatments참고 문헌 109인용 수 114

한 줄 요약

이 체계적 리뷰는 상처 평가를 위한 영상 기반 인공지능(AI)을 평가하며, 상처 분할, 분류 및 측정을 위한 딥러닝 기법에 중점을 둡니다. AI 기반 상처 시스템에 관한 115개의 연구를 종합하여 모바일 앱과 다중 모odal 영상 기술의 발전을 강조하고, 표준화, 데이터 품질 및 임상 통합의 핵심 과제를 밝혀내어 상처 간호의 향상된 결과를 도모합니다.

ABSTRACT

Efficient and effective assessment of acute and chronic wounds can help wound care teams in clinical practice to greatly improve wound diagnosis, optimize treatment plans, ease the workload and achieve health related quality of life to the patient population. While artificial intelligence (AI) has found wide applications in health-related sciences and technology, AI-based systems remain to be developed clinically and computationally for high-quality wound care. To this end, we have carried out a systematic review of intelligent image-based data analysis and system developments for wound assessment. Specifically, we provide an extensive review of research methods on wound measurement (segmentation) and wound diagnosis (classification). We also reviewed recent work on wound assessment systems (including hardware, software, and mobile apps). More than 250 articles were retrieved from various publication databases and online resources, and 115 of them were carefully selected to cover the breadth and depth of most recent and relevant work to convey the current review to its fulfillment.

연구 동기 및 목표

• 영상 기반 AI를 활용한 상처 평가의 계산 및 AI 기반 분석 방법을 체계적으로 검토하기 위해.
• AI 기반 상처 측정(분할) 및 진단(분류) 분야의 최신 기술 수준을 평가하기 위해.
• 기존 상처 평가 시스템(모바일 앱 및 하드웨어 포함)의 설계, 기능성 및 임상 적용 가능성을 분석하기 위해.
• AI 기반 상처 관리 시스템의 데이터 표준화, 다중 모달 통합 및 실생활 임상 현장 구현의 격차를 규명하기 위해.

제안 방법

• 1994년부터 2020년까지 Scopus, Web of Science, PubMed, IEEE Xplore, ScienceDirect 및 ERIC에서 체계적 문헌 검색을 수행함.
• 250개 이상의 논문을 선별하고, 영상 기반 AI를 활용한 상처 평가와 관련성이 높은 115개의 논문을 심층 검토 대상으로 선정함.
• 연구를 방법론별로 분류: 규칙 기반, 전통적 머신러닝(예: SVM, 랜덤 포레스트), 딥러닝(예: CNN, U-Net 변종).
• 2D RGB 영상, 3D 표면 모델 및 열화상 영상을 활용한 상처 측정 기법을 검토함.
• 상처 촬영, 분할, 크기 추정 및 조직 색상 분류 기능을 갖춘 모바일 애플리케이션을 평가함.
• 포괄적인 상처 분석을 위한 2D/3D 영상, 열화상, 고분광 영상 및 생리적 센서를 통합한 다중 모달 시스템을 평가함.

실험 결과

연구 질문

• RQ1 의료 영상 기반 AI를 활용한 상처 분할 및 분류 기술의 현재 추세와 한계는 무엇인가요?
• RQ2 기존의 모바일 및 소프트웨어 기반 상처 평가 시스템은 임상 및 실생활 환경에서 어떻게 성능을 발휘합니까?
• RQ3 RGB, 3D, 열화상, 전자 의무기록(EHR) 등의 다중 모달 데이터는 상처 진단 및 예후 향상에 어떤 역할을 합니까?
• RQ4 AI 기반 상처 간호 시스템을 구현하는 데 있어 핵심적인 기술적 및 임상적 과제는 무엇입니까?
• RQ5 공개된, 잘 레이블링된, 다중 모달 상처 데이터셋은 향후 상처 간호 분야의 AI 개발을 어떻게 지원할 수 있습니까?

주요 결과

• 특히 U-Net 및 그 변종과 같은 딥러닝 모델이 전통적 머신러닝 및 규칙 기반 방법보다 상처 분할 정확도에서 뛰어난 성능을 보였음.
• MOWA 및 FootSnap와 같은 모바일 애플리케이션은 상처 영상 촬영의 표준화를 향상시키고 크기 및 조직 색상 분류와 같은 기본 측정 기능을 제공함.
• RGB, 3D, 열화상 및 생리적 데이터를 통합한 다중 모달 시스템은 포괄적인 상처 평가 잠재력을 보였지만, 임상적으로는 여전히 개발이 부족함.
• 진전이 있었음에도 불구하고, 조명 변동성, 배경 잡음 및 영상 품질이 AI 성능에 영향을 미치는 중대한 과제가 남아 있음.
• 현재까지 모든 모달리티(영상, 3D, 텍스트, EHR)를 완전히 통합한 시스템은 존재하지 않으며, 공개된 대규모이고 잘 레이블링된 데이터셋도 여전히 부족함.
• 본 리뷰는 AI 기반 상처 간호의 발전을 위해 표준화되고 공개 가능한 데이터셋과 임상적 검증의 필수성을 규명함.