적용 방향:

하이 스펙트럼 영상 기술은 의학 진단 분야에서 광범위한 응용 전망을 보여주고 있다.높은 스펙트럼 영상은 단일 이미지에서 조직의 공간 구조와 스펙트럼 정보를 동시에 획득할 수 있으며, 서로 다른 주파수 대역에서의 세포 및 조직의 미시적 광학 특징을 제시하여 병변 조직에 대한 무창조, 정량 식별을 실현할 수 있다.의학 진단 분야에서의 응용 방향은 주로 결직장 식육 및 암 전 병변의 광학 진단을 포함하며, 내시경 검사에서 선종성과 비종양성 *육에 대한 실시간 구분을 실현한다;수술 중 신속하게 감별과 절연 위치를 조직하여 의사가 정확하게 병소를 제거하는 것을 보조한다;병리 절편 분석과 자동 분형 등.

배경:

결직장암은 전 세계적으로 암 사망의 두 번째 큰 원인이며, 그 예방과 통제의 관건은 암 전 병변인 결장직장식육을 조기에 발견하고 제거하는 데 있다.현재 결장경 검사는 말기 결직장암을 예방하고 사망률을 낮추는 첫 * 방법으로 알려져 있다.그러나 실제 검사에서 발견된 대부분의 폴립은 크기가 작거나 (지름 6-9 mm) 매우 작거나 매우 작으며 (1-5 mm) 고급 병리적 특성이나 암 잠재력을 갖춘 비율이 매우 낮습니다.전통적인 방법은 모든 폴립을 제거하고 병리 검사를 병행하는 것이지만, 이러한 방식은 비용과 업무 부담을 증가시킨다.이를 위해 고정밀 내시경 영상 기술을 이용해 내시경 아래에서 폴립 성질을 정확하게 판단해 일부 병리 검사를 생략하는 광학 진단에 기반한'절제 및 폐기'전략을 제시했다.

그러나 기존의 광학 진단 기술 (예: 협대역 이미징 NBI, Blu-ray 이미징 BLI 등) 은 임상 실습에서 여전히 한계가 있습니다. 정확성은 경험이 풍부한 내시경 의사에 의존합니다.초보자의 진단은 일치성이 떨어진다.이와 동시에 인공지능은 이미 보조식육식별에 사용되였지만 특이성이 부족하고 모형해석성이 낮으며 훈련데터의 이질성이 큰 등 문제에 국한되여 그 보급은 여전히 막혔다.

이 같은 어려움을 극복하기 위해 본 연구는 하이 스펙트럼 영상 기술을 도입했다.디지털 이미징과 스펙트럼 분석을 결합한 이 기술은 각 픽셀 측면에서 조직의 형태와 스펙트럼 특징을 동시에 포착해 조직의 생화학적 구성과 병리적 변화를 반영하는 풍부한 스펙트럼 정보를 얻을 수 있다.전통적인 RGB 영상에 비해 높은 스펙트럼 이미지는 육안으로 볼 수 없는 조직 차이를 밝혀 조직학적 성질 식별과 병리 등급에 새로운 근거를 제공한다.

작성자 정보:팽정, 산동대학 제로병원

저널 출처:암 의학

연구 내용

본 연구는 내시경 검사에서 종양성과 비종양성 * 고기를 빠르게 구분하여 인공지능이 보조하는'절제 및 폐기'전략의 정착을 추진하고 진단 정확도를 높이며 의료 비용을 절감하기 위해 고스펙트럼 이미징과 딥러닝 (잔차 네트워크, 마이그레이션 학습) 을 기반으로 한 결직장 폴립 조직 분류 알고리즘을 개발하고 검증하기 위한 것이다.

실험 설계

결장경 조작 과정에서 모든 폴립은 먼저 쿨링 코일 절제 (CSP) 를 사용합니다.직경 ≤ 3 mm, CSP 기술의 난이도가 높은 미세 부스러기의 경우 생검 집게로 완전히 제거합니다.본 연구는 폴립 <1cm의 신선한 점막 표본만 포함한다.모델이 더 높은 병리적 특성을 습득할 수 있도록 진전기 종양 생검을 동시에 채취한다.폴립 또는 병소 절제/집게를 거치면 즉시 표준화 조작에 따라 고스펙트럼 (HS) 카메라로 영상을 찍으며, 간단한 절차는 그림 1A를 참조한다.

하이 스펙트럼 이미징 데이터 수집은 GaiaMicro 시리즈 하이 스펙트럼 카메라, 현미경, 교정 화이트보드, 시스템 유지기 및 현미경 물경을 포함하는 이중 스펙트럼의 GaiaMicro-V10 E-HR 장치를 사용합니다.Gaia Micro 시리즈에는 공간을 움직여 높은 스펙트럼 데이터 큐브를 얻을 수 있는 내장 밀어내기 고스펙트럼 카메라가 포함되어 있습니다.1101 행의 공간 크기로 이미지를 수집하면 960 × 1101 × 360 (행 수 × 행 수 × 밴드 수) 이 생성됩니다.

모든 결직장 폴립 샘플은 포르말린 고정, 파라핀 파묻기 후 슬라이스하고 H & E로 염색한다.풍부한 경험을 가진 두 명의 병리학 전문가는 세계보건기구 결직장 종양 분류 기준에 따라 독립적으로 영화를 보고 최종 진단을 내렸다.미국 다학회 결직장암 실무팀의 공감대에 따르면, 샘플은 비종양성 병변과 종양성 병변 두 종류로 나뉘며, 그 중 종양성 병변은 비진전성 선종과 진전성 종양으로 더욱 세분화된다.

연구 방법

서로 다른 조직학 라벨의 샘플 수를 균형시키기 위해, 우리는 각 카테고리에 대해 데이터 향상을 실시한다: 각 샘플에서 무작위로 여러 개의 시야를 선택하는 하이 스펙트럼 이미지를 확대한다.높은 스펙트럼 데이터 차원이 높고 계산량이 많은 난제에 대하여 우리는 원시 높은 스펙트럼 입방체에서 스펙트럼과 공간 정보를 추출하여 2차원 (2D) 이미지로 재구성한다;그림 1B는 1차원 스펙트럼과 2D 이미지의 상관 관계를 직관적으로 보여줍니다.각 HS 이미지는 차원을 낮춘 후 900장의 2D 이미지를 생성할 수 있습니다.

이 연구는 결직장 병변 이미지의 자동 분류를 위한 2차원 권적 신경망(2D CNN) 훈련 모델을 기반으로 한다.이 네트워크는 샘플의 스펙트럼 정보와 공간 정보를 동시에 결합하여 조직 특징을 종합적으로 분석할 수 있다.기존 권적신경망이 네트워크 층수가 심화할 때 쉽게 나타나는 경도 소실과 네트워크 퇴화 문제를 극복하고 모델 성능을 더욱 향상시키기 위해 연구에 잔차 네트워크(ResNet) 구조를 적용했다.기존 모델 매개변수를 미세 조정하여 새 작업이나 새 데이터 피쳐에 맞게 조정하는 방법입니다.이 연구에서 연구자들은 마이그레이션 학습 전략을 사용하여 사전 훈련 된 ResNet 모델 매개 변수를 초기 가중치로 로드한 다음 모델 끝에 전체 연결 계층을 추가하고 네트워크의 모든 계층 구조를 다시 구축하여 다양한 병리 유형의 결직장 식육에 대한 모델의 식별 능력을 향상시킵니다 (그림 1B 참조).

그림 1 실험 설계 및 작업 과정 (A) 결장경 검사에서 신선한 폴립 조직에 대한 제자리 고 스펙트럼 영상 및 스펙트럼 분석 설명도.(B) 하이 스펙트럼 큐브의 스펙트럼-공간 특성, 큐브에서 2D 이미지로의 변환 및 잔차 신경망 모델 구조 설명.(C) 백색 내시경 이미지와 HSI-AI 보조 진단 2주 후 내시경 의사의 광학 진단 능력 평가.

작은 결직장 및 작은 결직장식육에 대한 내시경 의사의 진단 능력을 평가하기 위해 연구는 4명의 베테랑 내시경 의사 (누적 > 2000건의 결장경 검진) 와 6명의 초급 내시경 의사 (누적 200~400건) 를 초청하여 테스트에 참여시켰다.테스트는 설문지 형식으로 테스트 집중 병소의 백광 내시경 이미지를 바탕으로 판단한다.초보 내시경 의사와 전문의 내시경 의사의 보조 진단 효율을 평가하기 위해 영상을 각각 두 차례 재검사하고, 먼저 내시경 의사를 독립적으로 테스트한 후 내시경 의사가 최종 진단을 내리기 전에 HSI-AI 모델의 예측 결과를 알려주는 HSI-AI 보조 진단 테스트라고 하며, 두 차례 테스트 간격으로 2주의 세척 기간을 두고 최종 결과를 비교한다.

혼동 매트릭스(confusion matrix)를 통해 모델의 진단 성능을 평가합니다.정확도(Accuracy)는 모든 관측 표본에서 분류 모델이 올바르게 분류되는 비율을 나타냅니다.모델 성능을 전반적으로 평가하기 위해 민감도(sensitivity), 특이성(specificity), 양성 예측치(PPV), 음성 예측치(NPV)를 산출하고 피실험자 작업 특징 곡선(ROC curve)과 그 곡선 아래 면적(AUC)을 통해 모델의 전반적인 진단 능력을 반영했다.부차적인 평가지표에는 초급과 전문가 내시경의사의 진단표현과 고스펙트럼인공지능 (HSI-AI) 모델의 진단에 대한 보조효률이 포함된다.모든 내시경 의사의 진단 지표는 중위수(median) 및 4분위 거리(IQR)로 표시됩니다.Mann – Whitney U 검사로 독립형 진단과 HSI-AI 보조 진단 간의 차이점 비교, 양면p값이 0.05보다 작으면 통계학적 의미가 있는 것으로 간주됩니다.

결과

모두 73명의 환자의 94건의 조직 샘플 (그 중 64건은 폴립 절제술, 30건은 생검) 에 포함되었다.병리 평가 결과: 53개의 샘플은 저급 이형증식의 관상선종(비진전성 선종, NAA), 28개의 샘플은 비종양성*고기(NNP), 13개의 샘플은 진전성 종양(AN)으로 고위급 이형증식의 관상선종 6건, 융모상선종 3건, 4건의 선암을 포함한다.데이터 향상을 통해 총 161개의 하이 스펙트럼 이미지에서 144900개의 2D 이미지를 생성하여 6: 3: 1의 비율로 훈련 세트, 테스트 세트 및 검증 세트로 구분합니다.

서로 다른 조직 유형의 전형적인 스펙트럼 곡선을 비교한 결과, 파장 406.9~662.1nm 범위에서 세 가지 유형의 조직(NNP, NAA, AN)의 스펙트럼 형태와 피크 크기에 현저한 차이가 있음을 발견했다.그 결과 파장 575nm에서 세 종류의 조직의 반사율 차이는 높은 통계학적 의미(p < 0.001)를 가지고 있으며, 높은 스펙트럼 영상이 서로 다른 조직의 병리 유형을 효과적으로 구분할 수 있음을 설명한다.

연구는 데이터의 신뢰성을 검증하고 2차원 이미지 데이터의 관련성을 탐구하기 위해 두 그룹의 모델 실험을 실시했다.첫 번째 모델에서 연구자들은 샘플 간의 개체 차이를 고려하지 않고 2D 이미지를 무작위로 흐트러뜨린 후 훈련했습니다.그 결과 이 모델은 각 그룹에서 높은 정확도를 얻었으며 훈련 세트와 테스트 세트의 AUC는 각각 0.97과 0.96으로 동일한 샘플의 다른 영역의 스펙트럼 이미지 사이에 좋은 상관 관계와 일관성이 있음을 보여줍니다 (그림 2A).

그림 2는 높은 스펙트럼 영상을 기반으로 한 잔차 신경망 자동 진단 (A, B) 신경망이 비종양 폴립/비전진기 선종/진전기 종양의 세 가지 분류 임무에서의 훈련, 검증 및 테스트 결과이다.(C, D) 다양한 신경망 모델의 자동 분류 작업에서의 성능 비교.

두 번째 모델에서는 연구자가 독립된 환자 단위로 검증하여 데이터를 샘플별로 그룹화한 후 각각 혼란시키고 2D 이미지를 생성합니다.동일한 샘플에서 생성된 2D 이미지 중 80% 이상이 올바르게 분류되면 해당 샘플은 정확한 예측으로 판정됩니다.모델은 세 가지 유형의 조직(NNP, NAA, AN)을 분류한 결과 전체 정확도가 95.8%에 달했고 평균 AUC는 0.97로 우수했다.이 중 종양성 병변(NAA와 AN 포함)에 대한 예측 민감도는 99.0%, 특이성은 96.0%로 종양성과 비종양성 * 고기를 식별하는 데 * 높은 진단 잠재력을 보였다.

연구는 백색 내시경 이미지의 진단 표현을 평가함으로써 AI 보조 전후 내시경 의사가 종양성과 비종양성 * 고기를 구분하는 데 있어서의 차이를 비교했다.독립 진단 단계에서 경험이 풍부한 전문가 내시경 의사의 종양성 * 고기에 대한 중위 단일 이미지 진단 정확도는 91.1% 였지만 초급 의사는 71.4% 에 불과했다.테스트 세트에서 HSI-AI 모델은 각 종양성 * 고기를 분류했으며 단 한 건의 비전진성 선종 (NAA) 만이 진전성 종양 (AN) 으로 오판되었습니다.HSIAI 모델의 보조로 초급 내시경 의사의 전체 중위 정확도는 94.7% 로 향상되어 베테랑 의사 수준에 근접했다.자체 대조에 따르면 초급 그룹은 AI 보조 전후 진단 표현 차이가 현저했다(p<0.01), 베테랑 그룹은 통계학적 차이가 없었다(p=0.63).음성예측치 (NPV) 의 경우 여러 초급의사가 AI 보조 후 모두 90% 를 넘어 PIVI'절제-폐기'정책 요구에 부합한다.1차 그룹 전체 중위 NPV는 50.0%에서 88.2%(p=0.013)로 껑충 뛰었다.나머지 진단 지표도 전체 * 개선을 얻었으며, 초급 의사의 구체적인 데이터는 그림 3을 참조한다.

그림 3 초급 내시경 의사가 백광 내시경 영상에서 (왼쪽) 와 (오른쪽) HSI-AI 보조를 빌리지 않았을 때 종양성과 비종양성 결직장식육에 대한 진단 성능 비교

결론

본 연구는 고스펙트럼영상(HSI)을 이용하여 신선한 결장조직에서 결직장식육에 대해 선종과 비선종의 고정밀 구분을 실현할 수 있음을 실증하였으며, 진전기 종양을 한층 더 식별하였다.이 도구는 초급 내시경 의사의 진단 수준을 현저하게 향상시켜 AI 보조 진단과 결장경이 실시간으로 동기화되는 잠재력을 보여준다.