[논문 리뷰] Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions

Luyang Luo, Xi Wang외 8명|arXiv (Cornell University)|2023. 04. 13.

AI in cancer detection인용 수 5

한 줄 요약

이 논문은 유방암 영상 분야에서 지난 10년간의 딥 러닝 기술 발전을 종합적으로 검토하며, mammography, 초음파, MRI 및 디지털 병리학을 포함한다. 걸러내기, 진단, 치료 반응 예측 및 예후 분야에서의 진전을 통합적으로 분석하고 임상 적용을 위한 핵심 과제와 향후 연구 방향을 규명한다.

ABSTRACT

Breast cancer has reached the highest incidence rate worldwide among all malignancies since 2020. Breast imaging plays a significant role in early diagnosis and intervention to improve the outcome of breast cancer patients. In the past decade, deep learning has shown remarkable progress in breast cancer imaging analysis, holding great promise in interpreting the rich information and complex context of breast imaging modalities. Considering the rapid improvement in deep learning technology and the increasing severity of breast cancer, it is critical to summarize past progress and identify future challenges to be addressed. This paper provides an extensive review of deep learning-based breast cancer imaging research, covering studies on mammogram, ultrasound, magnetic resonance imaging, and digital pathology images over the past decade. The major deep learning methods and applications on imaging-based screening, diagnosis, treatment response prediction, and prognosis are elaborated and discussed. Drawn from the findings of this survey, we present a comprehensive discussion of the challenges and potential avenues for future research in deep learning-based breast cancer imaging.

연구 동기 및 목표

• 지난 10년간 딥 러닝이 유방암 영상 분야에 미친 영향과 발전을 체계적으로 검토하는 것.
• 유방촬영, 초음파, MRI 및 헬리오프로파일 병리학을 포함한 다양한 영상 모odalities에 걸쳐 딥 러닝의 응용을 분석하는 것.
• 임상적 구현에서의 핵심 과제, 예를 들어 데이터 부족, 해석 가능성, 일반화 능력 등을 규명하는 것.
• 유방암 치료에서 딥 러닝 모델의 정확성, 신뢰성 및 임상 통합을 향상시키기 위한 향후 연구 방향을 제시하는 것.

제안 방법

• 2013년부터 2023년까지 유방암 영상 분야의 딥 러닝에 관한 동료 심사 논문을 종합적으로 조사한 설문 조사.
• 영상 모odalities(유방촬영, 초음파, MRI, 헬리오프로파일 병리학), 작업(걸러내기, 진단, 치료 반응, 예후), 모델 아키텍처별로 연구를 분류.
• 특징 추출 및 분류에 적합한 기술로 CNN, U-Net, ResNet, 트랜스포머, 시아모이즈 네트워크, 그래프 신경망을 평가.
• 다중모달 학습 프레임워크인 다중모달 컴act 이중선형 풀링 및 앙상블 모델을 활용해 임상 및 영상 데이터를 통합.
• AUC, 정확도, 민감도, 특이도, 생존 및 재발 예측에 대한 C-index와 같은 표준화된 지표를 사용해 모델 성능 분 析.
• 실제 임상 적용을 위한 해석 가능성 기법과 임상적 유효성 검증 요구사항을 논의.

Figure 1 : Overview of deep learning in breast cancer imaging. Typical imaging techniques include mammogram, ultrasound, magnetic resonance imaging (MRI), and pathology images. Deep learning is often used for screening, diagnosis, treatment response prediction, and prognosis.

실험 결과

연구 질문

• RQ1 지난 10년간 다양한 유방암 영상 모달리티에서 딥 러닝 모델의 성능과 아키텍처는 어떻게 발전해왔는가?
• RQ2 신재생 화학요법 이후 병리학적 완전 반응(pCR)을 예측하기 위해 가장 효과적인 딥 러닝 접근 방식은 무엇인가?
• RQ3 영상 데이터와 임상 데이터를 융합하는 다중모달 융합 전략은 유방암의 예후 예측을 어떻게 향상시키는가?
• RQ4 딥 러닝이 유방암 영상 분야에서 실생활 적용을 제한하는 주요 기술적 및 임상적 장벽은 무엇인가?
• RQ5 유방암 치료에서 딥 러닝 모델의 임상적 유용성과 해석 가능성 향상을 위해 가장 중요한 향후 연구 방향은 무엇인가?

주요 결과

• 다수의 연구에서 신재생 화학요법 전후 초음파 및 MRI 영상을 활용해 pCR 예측에 AUC가 0.90을 초과하는 높은 성능을 기록한 딥 러닝 모델이 개발되었다.
• 시간적 모델링을 위한 순차적 초음파 영상 분석에서 트랜스포머와 듀얼 브랜치 CNN이 치료 반응 예측 성능을 향상시켰다.
• 전체 슬라이드 영상, 임상 데이터 및 유전자 특징을 융합한 다중모달 융합 기법이 여러 연구에서 5년 생존 예측 AUC를 0.85 이상으로 향상시켰다.
• 그래프 신경망은 종양 침윤 림프구와 종양 부위 간의 공간적 상호작용을 해석 가능한 방식으로 모델링하여 재발 예측 성능을 향상시켰다.
• 사전 학습된 모델인 ResNet18 및 ViT 기반 아키텍처는 특히 데이터가 적은 환경에서 병리 영상 분석의 특징 추출 성능을 크게 향상시켰다.
• 연구 환경에서는 뛰어난 성능를 보였지만, 다양한 인구 집단과 영상 프로토콜 간 일반화 능력은 여전히 주요 과제이며, 외부 검증에서 성능 저하가 심각하게 나타났다.

Figure 2 : Number of representative papers on deep learning for breast cancer imaging published from 2012 to 2022.