[논문 리뷰] Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review

Lauren Joyce Coan, Bryan Williams외 7명|arXiv (Cornell University)|2022. 04. 12.

Retinal Imaging and Analysis인용 수 5

한 줄 요약

이 리뷰는 망막 영상 기반 인공지능(AI) 기반 자동 녹내망 검출 방법을 평가하며, 시신경두 및 시신경구멍 분할에 중점을 둔다. 28개의 연구를 분석하여 규칙 기반 및 기계학습 접근 방식을 비교하고, 연구 환경에서는 높은 정확도를 보였지만 임상 적용에 있어 여전히 주요 과제가 존재함을 밝혀냈다.

ABSTRACT

Glaucoma is a leading cause of irreversible vision impairment globally and cases are continuously rising worldwide. Early detection is crucial, allowing timely intervention which can prevent further visual field loss. To detect glaucoma, examination of the optic nerve head via fundus imaging can be performed, at the centre of which is the assessment of the optic cup and disc boundaries. Fundus imaging is non-invasive and low-cost; however, the image examination relies on subjective, time-consuming, and costly expert assessments. A timely question to ask is can artificial intelligence mimic glaucoma assessments made by experts. Namely, can artificial intelligence automatically find the boundaries of the optic cup and disc (providing a so-called segmented fundus image) and then use the segmented image to identify glaucoma with high accuracy. We conducted a comprehensive review on artificial intelligence-enabled glaucoma detection frameworks that produce and use segmented fundus images. We found 28 papers and identified two main approaches: 1) logical rule-based frameworks, based on a set of simplistic decision rules; and 2) machine learning/statistical modelling based frameworks. We summarise the state-of-art of the two approaches and highlight the key hurdles to overcome for artificial intelligence-enabled glaucoma detection frameworks to be translated into clinical practice.

연구 동기 및 목표

• 기본 영상 기반 AI 기반 자동 녹내망 검출의 최신 기술 수준를 평가하기 위해.
• 시신경두 및 시신경구멍 경계에 대한 분할 기반 접근 방식의 성능 및 한계를 분석하기 위해.
• 녹내망 검출에서 규칙 기반 프레임워크와 기계학습/통계 모델링 접근 방식을 비교하기 위해.
• AI 프레임워크가 임상 실무에 도입되지 못하는 주요 장애요인을 특정하기 위해.
• 현재 연구 환경를 요약하고 AI가 녹내망 스크리닝 분야에서 향후 방향성을 제시하기 위해.

제안 방법

• 기본 영상 기반 AI 기반 녹내망 검출에 관한 28개의 연구를 포함한 종합적 문헌 리뷰를 수행하였다.
• 프레임워크를 두 가지 주요 범주로 분류하였다: 논리적 규칙 기반 시스템과 기계학습/통계 모델링 접근 방식.
• 각 프레임워크의 기술적 구성요소, 특히 시신경두 및 시신경구멍에 대한 분할 기법을 분석하였다.
• 검토된 연구에서 보고된 성능 지표를 바탕으로 이러한 시스템의 정확성과 강건성을 평가하였다.
• 모델의 일반화 능력, 데이터 품질, 임상 적용 가능성에 대한 통합된 결과를 도출하였다.
• AI 모델 전반에 걸쳐 표준화, 해석 가능성, 실세계 검증의 부족한 점을 특정하였다.

실험 결과

연구 질문

• RQ1 규칙 기반 및 기계학습 기반 AI 프레임워크는 망막 영상에서 시신경두 및 시신경구멍을 분할하는 데 있어 어떤 방식으로 다릅니까?
• RQ2 분할된 망막 영상에서 녹내망을 검출하기 위한 AI 모델의 보고된 정확도 및 성능 지표는 무엇입니까?
• RQ3 실세계 의료 환경에서 AI 기반 녹내망 검출의 구현을 저지하는 주요 기술적 및 임상적 과제는 무엇입니까?
• RQ4 이미지 품질, 데이터셋의 다양성, 모델 아키텍처의 변동성이 AI 시스템의 신뢰성에 어떤 영향을 미칩니까?
• RQ5 연구 환경에서 임상 적용으로 전환하기 위해 어떤 개선이 필요합니까?

주요 결과

• 기본 영상 기반 AI 기반 녹내망 검출 및 분할에 관한 28개의 연구를 식별하였다.
• 규칙 기반 프레임워크는 단순한 수작업으로 만든 결정 규칙에 의존하며, 영상 변형에 대한 적응 능력이 제한되어 있다.
• 기계학습 기반 모델, 특히 딥러닝 접근 방식은 규칙 기반 시스템보다 더 높은 분할 정확도와 일반화 능력을 달성한다.
• 통제된 환경에서는 뛰어난 성능를 보였지만, 대부분의 AI 모델은 실세계의 영상 변동성과 임상 워크플로우 통합에 대해 강건성이 떨어진다.
• 임상 적용의 주요 장애요인으로는 해석 가능성 부족, 다양한 인구 집단에 대한 충분한 검증 부족, 실세계 테스트 부족이 있다.
• 향후 임상 적용을 위해 데이터셋 표준화, 평가 프로토콜, 모델 투명성 향상이 필수적이다.