딥러닝 분류기를 사용하여 수술 영상 분석 시 개인 정보 보호

Scientific Reports 13권, 기사 번호: 9235(2023) 이 기사 인용

129 액세스

6 알트메트릭

측정항목 세부정보

수술 비디오 분석은 교육과 연구를 촉진합니다. 그러나 내시경 수술 영상 녹화에는 개인정보 보호에 민감한 정보가 포함될 수 있으며, 특히 내시경 카메라가 환자 몸 밖으로 이동되어 체외 장면이 녹화되는 경우 더욱 그렇습니다. 따라서 내시경 영상에서 체외 장면을 식별하는 것은 환자와 수술실 직원의 프라이버시를 보호하는 데 매우 중요합니다. 본 연구에서는 내시경 영상의 체외영상 식별을 위한 딥러닝 모델을 개발하고 검증하였다. 이 모델은 12가지 서로 다른 유형의 복강경 및 로봇 수술에 대한 내부 데이터 세트에서 훈련 및 평가되었으며 복강경 위 우회술 및 담낭 절제술 수술에 대한 두 개의 독립적인 다중 중심 테스트 데이터 세트에서 외부적으로 검증되었습니다. 모델 성능은 ROC AUC(수신기 작동 특성 곡선 아래 영역)를 측정하는 인간의 지상 실제 주석과 비교하여 평가되었습니다. 48개 비디오의 356,267개 이미지로 구성된 내부 데이터 세트와 10개 및 20개 비디오의 각각 54,385개 및 58,349개 이미지로 구성된 2개의 다중 중심 테스트 데이터 세트에 주석이 추가되었습니다. 모델은 내부 테스트 데이터 세트에서 99.97% ROC AUC로 유체이탈 이미지를 식별했습니다. 다중심성 위우회술 데이터세트의 평균 ± 표준편차 ROC AUC는 다중심성 담낭절제술 데이터세트에서 각각 99.94±0.07% 및 99.71±0.40%였습니다. 이 모델은 내시경 영상에서 체외 영상을 확실하게 식별할 수 있으며 공개적으로 공유됩니다. 이는 수술 영상 분석 시 개인 정보 보호를 용이하게 합니다.

"그리고 내가 직업상 보고 듣는 것은 무엇이든 […] 그것이 해외에 발표되어서는 안 되는 것이라면 나는 결코 누설하지 않을 것이며 그러한 것들을 거룩한 비밀로 삼을 것입니다."1

히포크라테스 선서

수술 비디오 분석은 교육(중요한 상황 검토 및 개별화된 피드백)2,3, 자격 증명(비디오 기반 평가)4 및 연구(다기관 시험의 수술 기법 표준화5, 수술 기술 평가)6,7를 촉진합니다. 사용 증가에도 불구하고 수동 사례 검토에는 시간이 많이 걸리고 비용이 많이 들고 전문 지식이 필요하며 개인 정보 보호 문제가 발생하기 때문에 지금까지 수술 비디오 분석의 잠재력을 최대한 활용하지 못했습니다.

따라서 최근 수술 비디오 분석을 자동화하기 위해 수술 데이터 과학 접근 방식이 채택되었습니다. 인공 지능(AI) 모델은 수술 비디오에서 개입8,9,10, 도구8,11 및 작업12 단계를 인식하도록 훈련되었습니다. 이를 통해 남은 수술 기간 추정13, 중요한 사건의 자동 문서화14, 수술 기술 평가15 및 안전 체크포인트 달성16 또는 수술 중 안내17와 같은 다운스트림 애플리케이션이 가능합니다.

AI는 수술 영상을 검토하는 전문가의 비용과 시간 제약을 지속적으로 줄여줄 것입니다. 그러나 환자 영상 데이터의 녹화, 저장, 처리 및 게시와 관련된 개인 정보 보호 문제는 지금까지 광범위하게 해결되지 않았습니다. 히포크라테스 선서에서 비롯된 의사-환자 특권은 법적 조사로부터 의료 데이터와 환자의 신원을 보호합니다. 의료진의 의료 기밀 위반은 대부분의 국가에서 기소될 수 있습니다. 환자가 수술실(OR)에서 마취 상태에 있는 동안 녹화된 내시경 비디오는 특히 민감합니다. 여기에는 환자나 수술실 직원의 신원과 같은 민감한 정보를 잠재적으로 드러낼 수 있는 수술실 장면이 포함되는 경우가 많습니다. 또한, 방에 있는 시계나 달력이 비디오에 캡처되면 해당 개입의 시간이나 날짜를 식별할 수 있습니다. 수술 날짜와 시간에 대한 정보를 통해 수술을 받는 환자를 쉽게 식별할 수 있습니다. 환자의 신체 외부에서 촬영된 이러한 장면을 유체이탈 장면이라 한다. 내시경을 환자에게 삽입하기 전에 이미 영상녹화를 시작했거나, 수술이 종료된 후에도 영상녹화를 중단하지 않았거나, 수술 중 내시경을 세척할 때마다 체외영상을 촬영하는 경우이다.