내시경 영상 분석을 위한 AI의 현재 위치는 어디입니까? 격차와 미래 방향 파악

npj Digital Medicine 5권, 기사 번호: 184(2022) 이 기사 인용

4577 액세스

15 알트메트릭

측정항목 세부정보

최근 딥 러닝의 발전으로 인간 수준 이상의 성능에 도달할 수 있는 데이터 기반 알고리즘이 가능해졌습니다. 의료 영상 분석 방법의 개발 및 배포에는 인구 다양성 및 다양한 장치 제조업체로 인한 데이터 이질성을 포함하여 여러 가지 과제가 있습니다. 또한 신뢰할 수 있는 분석법 개발 프로세스를 위해서는 전문가의 더 많은 의견이 필요합니다. 임상 영상 데이터의 기하급수적인 증가로 인해 딥 러닝이 활성화되었지만 데이터 이질성, 다중 양식, 희귀하거나 눈에 띄지 않는 질병 사례는 여전히 탐구되어야 합니다. 내시경 검사는 일부 질병의 경우 암울한 임상 결과로 인해 작업자 의존도가 높기 때문에 신뢰할 수 있고 정확한 자동화 시스템 안내를 통해 환자 치료를 개선할 수 있습니다. 대부분의 설계된 방법은 보이지 않는 표적 데이터, 환자 모집단의 다양성 및 다양한 질병 출현에 대해 보다 일반화 가능해야 합니다. 이 논문에서는 인공 지능(AI)을 이용한 내시경 영상 분석에 대한 최근 연구를 검토하고 이 분야의 현재 탁월한 요구 사항을 강조합니다. 마지막으로 환자 결과를 개선하기 위해 임상적으로 관련된 복잡한 AI 솔루션의 향후 방향을 간략하게 설명합니다.

내시경검사는 많은 속이 빈 장기에 대한 표준 절차입니다. 이는 주로 질병 감시, 염증 모니터링, 조기 암 발견, 종양 특성화 및 절제 절차, 최소 침습적 치료 중재 및 치료 반응 모니터링에 사용됩니다. 내시경 영상 분석은 컴퓨터 보조 탐지(CADe)1,2,3,4,5, 컴퓨터 보조 진단(CADx)6에서 내시경 영상 기반 방법이 과잉으로 발표되면서 최근 몇 년간 더 많은 주목을 받기 시작했습니다. ,7,8,9,10,11 및 컴퓨터 보조 수술(CAS)12,13,14,15,16. 다른 방사선학 데이터(예: X-ray, CT, MRI)와 달리 내시경 영상 및 분석은 매우 전문적이고 도전적인 주제입니다. 내시경 영상에는 작업자의 큰 의존성(예: 경험 및 교육), 범위 관련 문제(예: 영상 품질 가변성) 및 밑줄이 있는 장면 역학(예: 심각한 인공물이 있는 프레임의 임박한 손상, 큰 장기 움직임 및 표면 표류17). 위장 내시경 중재의 품질 표준은 여러 주목할만한 지침 연구18,19에서 논의됩니다. 최근 일부 연구에서는 내시경 품질을 평가하기 위해 측정 항목을 자동화하기 위해 딥 러닝 영역을 탐구했습니다. 이는 사각지대를 정량화하는 데 특히 중요합니다. SLAM 기반 3D 재구성을 사용하여 결장 지도를 생성한 반면, 상부 위장관(GI) 암 전구체인 Barrett 식도의 길이와 면적은 딥 러닝 기반 깊이 추정 기술을 사용하여 정량화했습니다. 마찬가지로 최소 침습 수술(예: 복강경)에서 가장 중요한 작업은 밑줄 친 장면을 이해하고 해석하는 것입니다.

속이 빈 장기의 3D 재구성이 중요하지만 고도로 비선형적인 장기 변형, 장면 혼란(예: 액체 흐름, 혈액) 및 폐색(예: 간 수술 주변 지방)을 비롯한 여러 가지 이유로 달성하기 어렵습니다. 따라서 대부분의 연구는 분류, 감지 및 분할 방법을 사용하여 로컬 장면 평가에 중점을 둡니다. 병변의 묘사와 함께 병변 탐지 및 특성화는 위장관 내시경1,2,3,4,5,6,7,8,9,10,11의 주요 초점입니다. 마찬가지로, 표적화된 결석 분할 및 그 특성화는 요관경검사23에서 주요 초점이며 종양 탐지24는 방광경검사에서 탐구되었습니다. 최소 침습 복강경 중재의 경우 수술 도구 분류12, 감지 및 분할13, 위상 인식12,14, 관련 랜드마크 분할15, 수술 간 2D 복강경16에 대한 수술 전 3D 볼륨 중첩이 초점 영역이었습니다. 다양한 내시경 중재술에 대한 주요 목표와 다양한 내시경 영상 분석 작업에 대한 설명 요약이 그림 1에 나와 있습니다.