Performance Evaluation of a Convolutional Neural Network Models for Diagnosing Malignant Pleural Effusion Using Positron Emission Tomography

양전자 단층 촬영 영상을 사용한 악성 흉수 진단을 위한 컨볼루션 신경망 기반 딥러닝 모델의 성능 평가

  • Yeji Kim (Dept. of Artificial Intelligence, Hanyang University) ;
  • Jong-Min Lee (Dept. of Electronic Engineering, Hanyang University) ;
  • Seung-Jin Yoo (Dept. of Radiology, Hanyang University College of Medicine) ;
  • Bo-Guen Kim (Dept. of Internal Medicine, Hanyang University College of Medicine) ;
  • Hyun Lee (Dept. of Internal Medicine, Hanyang University College of Medicine) ;
  • Yun Young Choi (Dept. of Nuclear Medicine, Hanyang University College of Medicine) ;
  • Soo Jin Lee (Dept. of Nuclear Medicine, Hanyang University College of Medicine)
  • 김예지 (한양대학교 공과대학 인공지능학과) ;
  • 이종민 (한양대학교 공과대학 융합전자공학부) ;
  • 유승진 (한양대학교 의과대학 영상의학과) ;
  • 김보근 (한양대학교 의과대학 내과) ;
  • 이현 (한양대학교 의과대학 내과) ;
  • 최윤영 (한양대학교 의과대학 핵의학과) ;
  • 이수진 (한양대학교 의과대학 핵의학과)
  • Published : 2024.01.17

Abstract

악성 흉수의 진단은 세포학적 검사로 암세포를 확인하는 것이 필수적이며 진단율은 50~80%로 나타난다. 양성자 단층 촬영은 비침습적으로 암 병기를 평가하는 유용한 방법이다. 하지만 암이 아닌 다른 원인으로 인한 포도당 대사로 인하여 양전자 단층 촬영만으로 악성 흉수를 진단하는 데 어려움이 있다. 악성 흉수 자동 진단 모델은 암세포를 진단하는데 있어서 보조적인 역할이 가능하다. 이에 따라 본 연구는 컨볼루션 신경망 기반의 딥러닝 모델을 개발하여 악성 흉수 진단 성능을 확인하고 진단의 보조적 목적으로써 딥러닝의 사용 가능성을 확인하고자 하였다. 결과적으로 모델 전반적으로 accuracy 0.7~0.86의 높은 성능을 보였다. 본 연구의 결과를 통해 실제 의료 환경에서 악성 흉수를 진단하는데 딥러닝 모델이 보조적인 역할을 할 수 있을 것으로 기대된다.

Keywords

Acknowledgement

이 논문은 2023년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 연구임 (No.2020-0-01373, 인공지능대학원지원(한양대학교)).

References

  1. Zamboni MM, da Silva CT, Baretta R, et al. "Important prognostic factors for survival in patients with malignant pleural effusion" BMC Pulm Med, Vol. 15, pp.29, 2015.
  2. Arnold DT and Maskell N, "Imaging for malignant pleural effusions-still no routine role of positron emission tomography" J Thoracic Dis. Vol 11(3), pp.1079-1081, 2019 https://doi.org/10.21037/jtd.2019.02.99
  3. Sadaghiani MS, Rowe ST, Sheikhbahaei S, "Applications of artificial intelligence in oncologic 18F-FDG PET/CT imaging: a systematic review" Ann Transl Med, Vol 9(9), pp.823, 2021.
  4. Ronneberger, O., Fischer, P., & Brox, T. "U-net: Convolutional networks for biomedical image segmentation" Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015, Volume 9351, pp. 234-241. 2015