[논문 리뷰] Highly accurate model for prediction of lung nodule malignancy with CT scans

Jason Causey, Junyu Zhang외 7명|arXiv (Cornell University)|2018. 02. 06.

Lung Cancer Diagnosis and Treatment참고 문헌 25인용 수 13

한 줄 요약

이 논문은 저선량 CT 스캔에서 폐 결절의 악성도를 예측하기 위해 3D 합성곱 신경망(CNN)을 사용하는 딥러닝 모델인 NoduleX를 제시한다. LIDC/IDRI 데이터셋의 1,000개 이상의 결절에서 훈련된 NoduleX는 약 0.99의 AUC를 기록하며 숙련된 방사선과의사의 성능과 동등한 정확도를 보이며, 비침습적 폐암 위험 평가 분야에서 최신 기술 수준의 정확도를 입증한다.

ABSTRACT

Computed tomography (CT) examinations are commonly used to predict lung nodule malignancy in patients, which are shown to improve noninvasive early diagnosis of lung cancer. It remains challenging for computational approaches to achieve performance comparable to experienced radiologists. Here we present NoduleX, a systematic approach to predict lung nodule malignancy from CT data, based on deep learning convolutional neural networks (CNN). For training and validation, we analyze >1000 lung nodules in images from the LIDC/IDRI cohort. All nodules were identified and classified by four experienced thoracic radiologists who participated in the LIDC project. NoduleX achieves high accuracy for nodule malignancy classification, with an AUC of ~0.99. This is commensurate with the analysis of the dataset by experienced radiologists. Our approach, NoduleX, provides an effective framework for highly accurate nodule malignancy prediction with the model trained on a large patient population. Our results are replicable with software available at http://bioinformatics.astate.edu/NoduleX.

연구 동기 및 목표

• CT 영상만을 사용하여 숙련된 방사선과의사의 악성도 예측 정확도에 맞추거나 초월하는 계산 모델을 개발하는 것.
• 딥러닝을 활용해 자동 폐 결절 분류에서 방사선과의사 수준의 성능을 달성하는 데 도전하는 것.
• 다수의 환자 집단에 적용 가능한 재현 가능하고 확장 가능한 결절 악성도 예측 프레임워크를 구축하는 것.
• LIDC/IDRI 데이터셋의 다중 독자 공감 기반 정보를 활용해 강건하고 일반화 능력이 뛰어난 딥러닝 모델을 훈련하는 것.

제안 방법

• 모델는 폐 결절의 부피 영상 데이터를 처리하기 위해 3D 합성곱 신경망(CNN)을 활용한다.
• 훈련 데이터는 LIDC/IDRI 코hort 내에서 네 명의 숙련된 흉부 방사선과의사가 평가한 1,000개 이상의 폐 결절로 구성된다.
• 모델는 3D CT 영상에서 추출한 방사선학적 특징을 바탕으로 결절을 악성 또는 양성으로 분류하기 위해 엔드 투 엔드로 훈련된다.
• 이미지 해상도, 윈도우 설정 및 결절 위치 표준화를 위해 체계적인 데이터 전처리 파이프라인이 적용된다.
• 모델 성능 평가에는 진단 정확도의 주요 지표인 수신기 작동 특성 곡선 아래 면적(AUC)이 사용된다.
• 소프트웨어 구현은 공개되어 있어 재현성 확보와 임상 통합 촉진에 기여한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 CT 영상만을 사용하여 숙련된 방사선과의사 수준의 악성도 예측 정확도를 달성할 수 있는가?
• RQ2 3D CNN 기반 접근 방식은 폐 결절의 다중 독자 공감 주석이 내재된 대규모 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ3 자동화된 모델이 폐 결절 분류에서 전문 방사선과의사의 진단 성능을 어느 정도 재현할 수 있는가?
• RQ4 모델의 성능는 실제 임상 환경에서 다양한 환자 집단에 대해 강건하고 일반화 능력이 있는가?

주요 결과

• NoduleX는 수신기 작동 특성 곡선 아래 면적(AUC)이 약 0.99로, 악성 및 양성 폐 결절 간의 거의 완벽한 분류 능력을 보이며, 이는 극도로 높은 정확도를 의미한다.
• 모델의 성능는 LIDC 프로젝트에 참여한 숙련된 흉부 방사선과의사의 성능와 통계적으로 구분되지 않는다.
• 높은 AUC는 네 명의 방사선과의사가 독립적으로 분류한 1,000개 이상의 폐 결절 데이터셋에서 달성되었으며, 이는 고도로 정밀한 진단 기준을 확보한 것이다.
• 모델는 뛰어난 일반화 능력을 보이며, 임상 의사 결정 지원 시스템에의 도입 가능성을 시사한다.
• 소프트웨어 구현은 공개되어 있어 연구 공동체가 복제 및 추가 개발을 가능하게 한다.