심층 학습을 이용한 유방암 조기 검출 개선 연구: 스크리닝 맘모그라피의 활용

딥러닝, 기계학습 기법의 한 분야로, 의료 영상 문제에 대한 그 응용에 많은 관심을 불러일으키고 있습니다. 본 연구에서는 "엔드 투 엔드" 학습 접근 방식을 사용하여 스크리닝 유방 X선 촬영에서 유방암을 정확히 감지할 수 있는 딥러닝 알고리즘을 개발하였습니다. 이 접근 방식은 효율적으로 완전한 임상 주석 또는 전체 이미지의 암 상태(라벨)만으로도 학습 데이터셋을 활용하며, 초기 학습 단계에서만 병변 주석이 필요합니다. 이후 단계에서는 이미지 레벨 라벨만 필요하여 병변 주석에 대한 의존성을 제거합니다.우리의 모든 컨볼루션 네트워크 방법은 스크리닝 유방 X선 촬영 분류에서 이전 방법들과 비교해 우수한 성능을 달성하였습니다. 디지털 유방 X선 촬영 스크리닝 데이터베이스(Digital Database for Screening Mammography, DDSM)에서 독립적인 테스트 세트를 사용하여 최고 단일 모델은 이미지 당 AUC(Area Under the Curve) 0.88을 달성하였으며, 4개 모델 평균화는 AUC를 0.91(sensitivity: 86.1%, specificity: 80.1%)로 개선했습니다. INbreast 데이터베이스의 전체 필드 디지털 유방 X선 촬영(full-field digital mammography, FFDM) 이미지를 사용한 검증 세트에서는 최고 단일 모델이 이미지 당 AUC 0.95를 달성하였으며, 4개 모델 평균화는 AUC를 0.98(sensitivity: 86.7%, specificity: 96.1%)로 개선했습니다.또한, DDSM의 디지털화된 필름 유방 X선 촬영에서 우리의 "엔드 투 엔드" 접근 방식으로 학습된 전체 이미지 분류기가 INbreast FFDM 이미지로 전송될 수 있으며, 이는 INbreast 데이터의 일부만을 사용하여 미세 조정(fine-tuning)하고 병변 주석의 추가 제공 없이 이루어질 수 있음을 보여주었습니다. 이러한 결과들은 자동화된 딥러닝 방법들이 다양한 유방 X선 촬영 플랫폼에서 고정밀도를 달성하기 위해 쉽게 학습될 수 있으며, 임상 도구를 개선하여 스크리닝 유방 X선 촬영 결과에서 가짜 양성과 가짜 음성을 줄이는 데 큰 가능성이 있음을 시사합니다.