[논문 리뷰] LNDb: A Lung Nodule Database on Computed Tomography

João Pedrosa, Guilherme Aresta외 9명|arXiv (Cornell University)|2019. 11. 19.

Lung Cancer Diagnosis and Treatment참고 문헌 22인용 수 18

한 줄 요약

이 논문은 실제 임상적 변동성을 반영하고 컴퓨터 보조 진단(CAD) 시스템의 개발을 지원하기 위해 저선량 CT 스캔에서 유래한 새로운 폐결절 데이터베이스인 LNDb를 소개한다. 이 연구는 최신 딥러닝 기법을 활용해 결절 탐지, 분할 및 특성 분석을 평가하며, 추적 검사 권고에서 방사선 전문의 성능에 도달할 수 있음을 보여주지만, 특히 지역별 영상 설정에 적응할 때 탐지 문제가 여전히 주요 과제로 남아 있음을 밝힌다.

ABSTRACT

Lung cancer is the deadliest type of cancer worldwide and late detection is the major factor for the low survival rate of patients. Low dose computed tomography has been suggested as a potential screening tool but manual screening is costly, time-consuming and prone to variability. This has fueled the development of automatic methods for the detection, segmentation and characterisation of pulmonary nodules but its application to clinical routine is challenging. In this study, a new database for the development and testing of pulmonary nodule computer-aided strategies is presented which intends to complement current databases by giving additional focus to radiologist variability and local clinical reality. State-of-the-art nodule detection, segmentation and characterization methods are tested and compared to manual annotations as well as collaborative strategies combining multiple radiologists and radiologists and computer-aided systems. It is shown that state-of-the-art methodologies can determine a patient's follow-up recommendation as accurately as a radiologist, though the nodule detection method used shows decreased performance in this database.

연구 동기 및 목표

• 기존 데이터베이스의 격차를 보완하기 위해 실제 임상 상황에서의 방사선 전문의 변동성과 지역적 영상 조건을 반영한 임상적으로 대표적인 폐결절 데이터셋을 구축한다.
• 실제 임상 환경에서 최신 딥러닝 기법을 활용해 폐결절 탐지, 분할 및 특성 분석을 평가한다.
• 방사선 전문의와 CAD 시스템 간의 협업 전략을 통해 탐지 민감도를 향상시키되, 임상 종사자의 작업 부담을 증가시키지 않는 방법을 탐색한다.
• CAD 시스템이 추적 검사 권고에 따라 환자를 분류하는 데 있어 방사선 전문의의 성능을 재현할 수 있는지 평가한다.

제안 방법

• LNDb 데이터베이스는 한 기관의 294건의 저선량 CT 스캔으로 구성되며, 두 명의 방사선 전문의가 단일 막힌 프로토콜을 사용해 결절을 주석 처리하였다.
• 방사선 전문의의 독해 세션 동안 눈동자 움직임 데이터를 기록하여 결절 주변의 시선 패턴과 주의 분포를 측정하였다.
• 최신 딥러닝 모델을 활용해 결절 탐지, 분할 및 악성도 특성 분석 작업에 대해 훈련 및 평가를 수행하였다.
• 고정 임계값과 동적 주의 기반 필터링을 사용해 방사선 전문의 독해 결과와 CAD 출력을 결합한 협업 전략을 테스트하였다.
• 표준 평가 지표인 민감도, 스캔당 위양성 수, 스캔 수준의 일치도를 측정하기 위해 가중치를 고려한 코헨의 кап파를 사용하였다.
• 환자의 추적 검사 권고 평가 기준으로 펠슈너 가이드라인을 사용하였다.

실험 결과

연구 질문

• RQ1 최신 CAD 시스템은 실제 임상 환경에서 방사선 전문의와 동등한 탐지 및 분류 성능을 달성할 수 있는가?
• RQ2 방사선 전문의의 변동성이 CAD 시스템 성능에 미치는 영향은 무엇이며, 눈동자 움직임 데이터는 방사선 전문의와 CAD 간의 협업을 향상시키는 데 어떻게 기여할 수 있는가?
• RQ3 방사선 전문의와 CAD 시스템 간의 협업 전략이 작업 시간 부담을 증가시키지 않으면서 탐지 민감도를 얼마나 향상시킬 수 있는가?
• RQ4 LIDC-IDRI와 같은 기준 데이터셋과는 다른 수집 프로토콜을 가진 지역 데이터셋에 적용했을 때 CAD 성능이 저하되는가?
• RQ5 CAD 시스템은 펠슈너 가이드라인에 따라 환자를 정확히 분류하여 방사선 전문의의 결정과 동일한 성능을 낼 수 있는가?

주요 결과

• 최신 CAD 시스템은 개인적 방사선 전문의 수준과 동등한 환자 추적 검사 분류 정확도를 달성하여 임상적 관련성이 높음을 입증하였다.
• LNDb에서의 결절 탐지 성능은 기준 데이터셋보다 낮게 나타나 지역적 영상 특성이 모델 일반화 능력에 크게 영향을 준다는 점을 시사한다.
• 방사선 전문의와 CAD를 결합한 협업 전략은 주의 기반 필터링을 사용할 경우 탐지 민감도 향상을 보였지만, 표본 수가 적어 성과는 미미하였다.
• 눈동자 움직임 데이터는 향후 CAD 설계에 중요한 관심 영역 우선순위 설정에 기여할 수 있는 의미 있는 시선 패턴을 드러냈다.
• 민감도 향상이 있었음에도 불구하고, 협업 전략은 환자의 추적 검사 분류에서 개인적 방사선 전문의나 CAD 단독 성능을 뛰어나지 못했다.
• 모델이 지역 데이터로 훈련되어야 최적의 성능을 발휘할 수 있으며, 기관 간 일반화 문제는 여전히 도전 과제로 남아 있음을 강조한다.