[논문 리뷰] Interpretation of Mammogram and Chest Radiograph Reports using Deep Neural Networks - Preliminary Results.

Hojjat Salehinejad, Joseph Barfett외 4명|arXiv (Cornell University)|2017. 08. 24.

AI in cancer detection참고 문헌 28인용 수 8

한 줄 요약

이 연구는 유방 조영촬영 및 흉부 단층촬영 보고서를 각각 유방 밀도와 흉부 병변으로 분류하여 해석하기 위해 이방향 컨volutional 신경망(Bi-CNN)을 제안한다. 이 모델은 랜덤 포레스트 및 서포트 벡터 머신과 같은 전통적 방법보다 뛰어난 성능을 보이며, 데이터베이스 조직 및 진단 감사에 있어 영상의학 보고서 분석의 정확도를 향상시킨다.

ABSTRACT

Radiology reports are an important means of communication between radiologists and other physicians. These reports express a radiologist's interpretation of a medical imaging examination and are critical in establishing a diagnosis and formulating a treatment plan. In this paper, we propose a Bi-directional convolutional neural network (Bi-CNN) model for the interpretation and classification of mammograms based on breast density and chest radiographic radiology reports based on the basis of chest pathology. The proposed approach helps to organize databases of radiology reports, retrieve them expeditiously, and evaluate the radiology report that could be used in an auditing system to decrease incorrect diagnoses. Our study revealed that the proposed Bi-CNN outperforms the random forest and the support vector machine methods.

연구 동기 및 목표

• 딥 러닝을 활용한 영상의학 보고서 자동 해석 시스템 개발.
• 유방 조영촬영은 유방 밀도 기반으로, 흉부 단층촬영은 기저 병변 기반으로 분류.
• 임상 데이터베이스 내 영상의학 보고서의 조직화 및 검색 향상.
• 보고서 해석의 일관성 또는 오류를 식별함으로써 진단 감사 지원.
• 랜덤 포레스트 및 SVM과 같은 전통적 기계학습 모델보다 분류 작업에서 뛰어난 성능 확보.

제안 방법

• 이방향 컨volutional 신경망(Bi-CNN)을 사용하여 영상의학 보고서의 순차적 텍스트 데이터를 처리.
• 모델은 보고서 텍스트의 전방 및 후방 방향에서 모두 문맥적 특징을 포착.
• 입력 보고서는 토큰화되어 먼저 조밀한 벡터 표현으로 임베딩된 후 Bi-CNN에 입력.
• 네트워크는 끝에서 끝까지 훈련되어 보고서를 사전 정의된 카테고리로 분류: 유방 조영촬영은 유방 밀도, 흉부 단층촬영은 병변.
• 표준 분류 평가 지표를 사용하여 Bi-CNN의 성능을 평가하고, 랜덤 포레스트 및 서포트 벡터 머신과 비교.
• 영상의학 보고서 텍스트 내 국소적 및 장거리 의존성의 공동 학습을 가능하게 하는 아키텍처.

실험 결과

연구 질문

• RQ1 Bi-CNN 모델은 유방 밀도 기반으로 유방 조영촬영 보고서를 효과적으로 분류할 수 있는가?
• RQ2 동일한 모델은 기저 병변 기반으로 흉부 단층촬영 보고서를 정확하게 분류할 수 있는가?
• RQ3 Bi-CNN의 성능은 영상의학 보고서 해석에서 랜덤 포레스트 및 SVM과 같은 전통적 기계학습 모델과 비교해 어떻게 되는가?
• RQ4 모델은 영상의학 보고서의 효율적인 데이터베이스 조직 및 검색에 어느 정도 기여할 수 있는가?
• RQ5 모델은 영상의학 보고서의 자동 감사 기능을 통해 진단 오류를 줄이는 데 기여할 수 있는가?

주요 결과

• 제안된 Bi-CNN 모델은 랜덤 포레스트 및 서포트 벡터 머신 모델보다 높은 분류 정확도를 달성한다.
• 모델은 향상된 성능으로 유방 조영촬영 보고서의 유방 밀도 분류를 성공적으로 해석한다.
• 모델은 기저 병변 기반으로 흉부 단층촬영 보고서를 효과적으로 분류한다.
• Bi-CNN는 영상의학 보고서 텍스트 내 문맥 패턴을 포착하는 데 뛰어난 능력을 보인다.
• 모델은 임상 데이터베이스 내 영상의학 보고서의 조직화 및 검색을 지원한다.
• 결과는 진단 오류를 줄이기 위한 감사 시스템에 통합될 잠재적 가능성을 시사한다.