[논문 리뷰] Towards automated patient data cleaning using deep learning: A feasibility study on the standardization of organ labeling

Timothy Rozario, Troy Long외 3명|arXiv (Cornell University)|2017. 12. 30.

Medical Imaging Techniques and Applications참고 문헌 2인용 수 9

한 줄 요약

이 연구는 방사선 치료 CT 영상에서 기관 표준화 레이블링을 자동화하기 위해 컨volutional 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. 이는 기관 간 이식명의 불일치 문제를 해결하기 위한 것이다. 모델은 154명의 환자 영상에서 AAPM Task Group 263 표준 용어를 사용하여 기관을 탐지하고 레이블링하는 데 있어 100%의 정확도를 달성하여, 다기관 연구에서 확장 가능한 자동 환자 데이터 정제의 가능성을 입증하였다.

ABSTRACT

Data cleaning consumes about 80% of the time spent on data analysis for clinical research projects. This is a much bigger problem in the era of big data and machine learning in the field of medicine where large volumes of data are being generated. We report an initial effort towards automated patient data cleaning using deep learning: the standardization of organ labeling in radiation therapy. Organs are often labeled inconsistently at different institutions (sometimes even within the same institution) and at different time periods, which poses a problem for clinical research, especially for multi-institutional collaborative clinical research where the acquired patient data is not being used effectively. We developed a convolutional neural network (CNN) to automatically identify each organ in the CT image and then label it with the standardized nomenclature presented at AAPM Task Group 263. We tested this model on the CT images of 54 patients with prostate and 100 patients with head and neck cancer who previously received radiation therapy. The model achieved 100% accuracy in detecting organs and assigning standardized labels for the patients tested. This work shows the feasibility of using deep learning in patient data cleaning that enables standardized datasets to be generated for effective intra- and interinstitutional collaborative clinical research.

연구 동기 및 목표

• 임상 연구의 주요 장애 요소인 데이터 정제가 분석 시간의 최대 80%를 차지하는 문제를 해결하기 위해.
• 방사선 영상에서 기관 레이블링의 이질성을 기관 간 및 시간 경과에 따라 줄이기 위해.
• AAPM Task Group 263 용어를 기반으로 자동으로 기관을 탐지하고 표준화할 수 있는 딥러닝 모델을 개발하기 위해.
• 표준화되고 정제된 환자 데이터셋을 통해 효과적인 기관 간 및 기관 간 협업 임상 연구를 가능하게 하기 위해.

제안 방법

• 축성 신경망(CNN)이 축성 CT 영상의 기관을 분류하고 레이블링하도록 훈련되었다.
• 모델은 AAPM Task Group 263에서 정의한 표준 기관 용어를 레이블링의 기준으로 사용하였다.
• 훈련 및 테스트는 54명의 전립선암 환자 및 100명의 두부경부암 환자 CT 영상에서 수행되었다.
• 단일 추론 프로세스 내에서 다중 기관 탐지 및 분류를 최적화하기 위해 설계되었다.
• 데이터 증강 및 전이 학습 기법이 사용되었을 가능성이 있으나, 요약에서 명시적으로 기술되지 않았다.

실험 결과

연구 질문

• RQ1 표준 용어를 사용하여 딥러닝 모델이 방사선 치료 CT 영상에서 기관을 정확하게 탐지하고 레이블링할 수 있는가?
• RQ2 자동화된 레이블링이 기관 명명의 이질성을 기관 간 및 시간 경과에 따라 어느 정도 줄일 수 있는가?
• RQ3 방사선 옹류학에서 임상 데이터 정제를 위해 딥러닝을 사용하여 고정확도의 기관 레이블링을 달성하는 것이 가능한가?
• RQ4 이러한 모델이 표준화된 환자 데이터를 통해 대규모 다기관 협업 연구를 지원할 수 있는가?

주요 결과

• 딥러닝 모델은 CT 영상에서 기관을 탐지하고 표준화된 레이블을 할당하는 데 있어 100%의 정확도를 달성하였다.
• 모델은 전립선암 환자와 두부경부암 환자 모두에서 기관을 완벽한 정확도로 레이블링하는 데 성공하였다.
• 의료 영상에서 자동 환자 데이터 정제를 위한 딥러닝 기술의 실현 가능성을 입증하였다.
• 이러한 접근법은 효과적인 기관 간 및 기관 간 임상 연구를 위해 필수적인 표준화된 데이터셋 생성을 가능하게 하였다.