[논문 리뷰] Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review from the Perspectives of Key Features of Data Analysis and AI Assurance

Muta Tah Hira, Mohammad A. Razzaque외 1명|arXiv (Cornell University)|2023. 11. 20.

AI in cancer detection인용 수 4

한 줄 요약

이 체계적 리뷰는 2015~2023년 동안 96편의 딥 러닝(DL) 기반 난소암(OC) 연구를 분석하여 핵심 데이터 분석 특성과 인공지능 보증(AIA)을 평가한다. 연구 결과, 진단/검출에 대한 집중(71%), 지역적 다양성 부족(75%는 지역별로 특정), 통합 또는 외부 검증 최소화(8.3%), 그리고 인공지능 보증(AIA)의 거의 전무(설명 가능성만 2.1%에서 다루어져)로 인해 DL 기반 OC 연구의 일반화 가능성, 공정성, 신뢰성 측면에서 심각한 격차가 드러났다.

ABSTRACT

Background and objectives: By extracting this information, Machine or Deep Learning (ML/DL)-based autonomous data analysis tools can assist clinicians and cancer researchers in discovering patterns and relationships from complex data sets. Many DL-based analyses on ovarian cancer (OC) data have recently been published. These analyses are highly diverse in various aspects of cancer (e.g., subdomain(s) and cancer type they address) and data analysis features. However, a comprehensive understanding of these analyses in terms of these features and AI assurance (AIA) is currently lacking. This systematic review aims to fill this gap by examining the existing literature and identifying important aspects of OC data analysis using DL, explicitly focusing on the key features and AI assurance perspectives. Methods: The PRISMA framework was used to conduct comprehensive searches in three journal databases. Only studies published between 2015 and 2023 in peer-reviewed journals were included in the analysis. Results: In the review, a total of 96 DL-driven analyses were examined. The findings reveal several important insights regarding DL-driven ovarian cancer data analysis: - Most studies 71% (68 out of 96) focused on detection and diagnosis, while no study addressed the prediction and prevention of OC. - The analyses were predominantly based on samples from a non-diverse population (75% (72/96 studies)), limited to a geographic location or country. - Only a small proportion of studies (only 33% (32/96)) performed integrated analyses, most of which used homogeneous data (clinical or omics). - Notably, a mere 8.3% (8/96) of the studies validated their models using external and diverse data sets, highlighting the need for enhanced model validation, and - The inclusion of AIA in cancer data analysis is in a very early stage; only 2.1% (2/96) explicitly addressed AIA through explainability.

연구 동기 및 목표

• 딥 러닝(DL) 기반 난소암(OC) 연구에서의 데이터 분석 핵심 특성을 규명하고 분석한다.
• 딥 러닝 기반 OC 연구에서의 현재 인공지능 보증(AIA) 상태를 평가한다. 설명 가능성, 공정성, 신뢰성 등을 포함한다.
• OC 데이터 분석에서의 다양성, 통합, 검증 관행을 평가하여 핵심 연구 격차를 규명한다.
• 예측, 예방, 다기관 외부 검증과 같은 미충족 영역을 강조하여 향후 연구를 이끌어낸다.
• 안전하고 공정하며 신뢰할 수 있는 딥 러닝 모델의 온코로지 분야 내 구현을 보장하기 위해 종합적인 AIA 통합을 촉구한다.

제안 방법

• PRISMA 프레임워크를 활용해 세 개의 동료 심사 보고서 기반 데이터베이스에서 체계적 문헌 리뷰를 수행하였다.
• 2015년에서 2023년 사이에 발표된 난소암 데이터 분석에 딥 러닝을 적용한 96편의 연구를 선정하였다.
• 데이터 모odal리티(예: 영상, 옴믹스, 임상), 분석 목표(예: 진단, 예후), 방법론적 특성 기반으로 연구를 분류하였다.
• 모델 검증 관행을 평가하였으며, 내부 검증 대비 외부 검증 및 다양한 인구 집단의 사용 여부를 포함하였다.
• 설명 가능성, 공정성, 보안, 신뢰성 등의 AIA 구성 요소 포함 여부를 평가하였다.
• 데이터 통합, 모델 일반화 가능성, OC 딥 러닝 응용 분야의 연구 격차에 대한 주제별 통찰을 종합하였다.

실험 결과

연구 질문

• RQ1 2015년에서 2023년 사이에 딥 러닝 기반 난소암 연구에서 지배적인 데이터 모달리티와 분석 목표는 무엇인가?
• RQ2 OC 연구에서의 딥 러닝 모델은 외부, 다양한, 또는 다기관 데이터셋을 얼마나 잘 활용하여 검증하고 있는가?
• RQ3 현재의 딥 러닝 기반 OC 연구에서 설명 가능성, 공정성, 보안 등의 인공지능 보증(AIA) 원칙이 얼마나 종합적으로 다루어지고 있는가?
• RQ4 통합된 다오믹스 또는 하이브리드 DL-ML 접근 방식을 사용하는 연구의 비율은 얼마이며, 성능 및 일반화 가능성 측면에서 어떻게 비교되는가?
• RQ5 특히 인구 다양성과 모델 강건성 측면에서, 딥 러닝 기반 난소암 데이터 분석의 핵심 방법론적 및 윤리적 격차는 무엇인가?

주요 결과

• 96편 중 71%인 68편이 예측이나 예방을 다루지 않고 진단 및 검출에만 집중하였다.
• 96편 중 75%인 72편이 단일 지역 또는 국가의 데이터를 사용하여 인구 편향과 일반화 가능성 저하에 대한 우려를 제기하였다.
• 33%인 32편만이 통합 분석을 수행하였고, 대부분은 임상 또는 옴믹스 데이터와 같은 동질적인 데이터 유형에 국한되어 있었다.
• 외부 및 다양한 데이터셋을 사용해 모델를 검증한 연구는 단 8.3%(96편 중 8편)에 불과하여 강건성과 실제 적용 가능성 측면에서 심각한 격차가 드러났다.
• 인공지능 보증(AIA)은 거의 다루어지지 않았으며, 설명 가능성만 2.1%(96편 중 2편)에서 다루었고, 공정성 또는 보안과 같은 다른 AIA 차원은 전혀 다루지 않은 연구가 있었다.
• 본 리뷰는 향후 연구에서 다기관, 다양한 인구 집단 검증, 통합된 이질적 데이터 분석, 종합적인 AIA 프레임워크를 우선시할 필요성이 크다고 규명하였다.