[논문 리뷰] Lung cancer screening with low-dose CT scans using a deep learning approach

Jason Causey, Yuanfang Guan외 5명|arXiv (Cornell University)|2019. 06. 01.

Lung Cancer Diagnosis and Treatment참고 문헌 17인용 수 21

한 줄 요약

이 연구는 낭종 주석이 필요 없이 저선량 CT 영상에서 폐암 상태를 예측하는 딥러닝 모델인 DeepScreener를 소개한다. 다중 작업 학습과 공간 피라미드를 활용해 다양한 척도에서 낭종을 탐지하는 모델은 독립적인 NLST 테스트 세트에서 78.2%의 정확도와 AUC 0.858를 기록하여 폐암 선별에서 가짜 양성 결과를 줄이는 데 잠재력을 보였다.

ABSTRACT

Lung cancer is the leading cause of cancer deaths. Early detection through low-dose computed tomography (CT) screening has been shown to significantly reduce mortality but suffers from a high false positive rate that leads to unnecessary diagnostic procedures. Quantitative image analysis coupled to deep learning techniques has the potential to reduce this false positive rate. We conducted a computational analysis of 1449 low-dose CT studies drawn from the National Lung Screening Trial (NLST) cohort. We applied to this cohort our newly developed algorithm, DeepScreener, which is based on a novel deep learning approach. The algorithm, after the training process using about 3000 CT studies, does not require lung nodule annotations to conduct cancer prediction. The algorithm uses consecutive slices and multi-task features to determine whether a nodule is likely to be cancer, and a spatial pyramid to detect nodules at different scales. We find that the algorithm can predict a patient's cancer status from a volumetric lung CT image with high accuracy (78.2%, with area under the Receiver Operating Characteristic curve (AUC) of 0.858). Our preliminary framework ranked 16th of 1972 teams (top 1%) in the Data Science Bowl 2017 (DSB2017) competition, based on the challenge datasets. We report here the application of DeepScreener on an independent NLST test set. This study indicates that the deep learning approach has the potential to significantly reduce the false positive rate in lung cancer screening with low-dose CT scans.

연구 동기 및 목표

• 저선량 CT 영상에서의 높은 가짜 양성 비율을 줄이기 위해.
• 낭종 주석이 필요 없는 딥러닝 모델을 개발하여 암 상태를 예측하기 위해.
• 자동화된 부피 영상 분석을 통해 조기 폐암 진단의 정확도를 향상시키기 위해.
• National Lung Screening Trial (NLST)의 독립된 데이터셋에서 모델 성능을 검증하기 위해.
• 딥러닝의 임상적 잠재력을 입증하여 불필요한 진단 절차를 줄이기 위해.

제안 방법

• DeepScreener 모델은 약 3,000건의 CT 연구 데이터로 훈련된 새로운 딥러닝 아키텍처를 사용한다.
• 연속된 CT 슬라이스와 다중 작업 학습을 활용해 낭종의 악성 가능성을 평가한다.
• 공간 피라미드 풀링 모듈을 통해 폐 내 다양한 척도의 낭종 탐지가 가능하다.
• 모델은 엔드 투 엔드로 훈련 가능하며 추론 시 수동 낭종 주석이 필요하지 않다.
• 전체 CT 스캔의 부피 특징을 활용해 환자 수준의 암 상태를 예측한다.
• 이 프레임워크는 먼저 Data Science Bowl 2017 대회에서 검증되었으며 상위 1%에 진입했다.

실험 결과

연구 질문

• RQ1 낭종 주석이 없는 저선량 CT 영상에서 딥러닝 모델이 폐암 상태를 예측할 수 있는가?
• RQ2 다중 작업 학습과 공간 피라미드 접근 방식은 다양한 크기의 악성 낭종 탐지에 얼마나 효과적인가?
• RQ3 DeepScreener 모델의 독립적인 NLST 테스트 세트에서의 성능은 어떠한가?
• RQ4 이 방법은 폐암 선별에서 가짜 양성 비율을 얼마나 줄일 수 있는가?
• RQ5 이 모델은 경쟁 기준을 초월해 실제 임상 데이터셋에 잘 일반화되는가?

주요 결과

• DeepScreener 모델은 독립적인 NLST 테스트 세트에서 분류 정확도 78.2%를 달성했다.
• 모델는 수확률 곡선 아래 면적(AUC)이 0.858로 강력한 분류 성능를 보였다.
• 모델는 Data Science Bowl 2017 대회에서 1,972개 팀 중 16위를 기록하여 상위 1%에 진입했다.
• 수동 낭종 주석이 필요 없이도 암 상태를 성공적으로 예측하여 주석 작업 부담을 줄였다.
• 다중 작업 학습과 공간 피라미드 풀링의 통합은 다양한 크기의 낭종 탐지 성능을 향상시켰다.
• 결과적으로 딥러닝이 저선량 CT 폐암 선별에서 가짜 양성 결과를 크게 줄일 수 있음을 시사한다.