의료
유방 X선 분석을 향상시키기 위한 크라우드소싱 AI 챌린지 종료
유방촬영술은 여성의 건강과 유방암의 초기 지표를 파악하는 데 중요합니다. 그러나 유방조영술은 이를 해석하기 위해 인간 전문가가 필요하며 고도로 훈련된 전문가도 실수를 합니다. 유방조영상의 위양성률은 미국에서 약 10%인 것으로 추정됩니다. 디지털 유방조영술(DM) 드림 챌린지는 보다 정확한 유방조영술 판독을 제공하는 시스템을 만들기 위해 최근 새로운 유방조영술 판독 알고리즘을 개발하기 위한 크라우드 소싱 노력을 만들었습니다.
PhysicsWorld가 보고한 대로컴퓨터 비전 기술과 딥 러닝 알고리즘이 지난 몇 년 동안 더욱 정교해지면서 연구자와 엔지니어들은 정확성을 높이기 위해 유방 조영술을 해석하기 위해 AI를 사용하는 방향으로 전환하고 있습니다. 디지털 유방조영술(DM) 드림 챌린지는 유방암의 징후를 인식하는 데 AI 알고리즘을 사용하는 방법을 조사하기 위한 대회를 시작했습니다.
DM 드림 챌린지는 지금까지 유방 조영술 해석에 관한 딥 러닝 알고리즘 연구 중 최대 규모입니다. DREAM 챌린지의 회장인 Justin Guinney는 챌린지의 이유는 두 개의 서로 다른 데이터베이스에서 수십 개의 딥 러닝 모델에 대한 구조화된 평가가 가능했기 때문이라고 설명했습니다. 챌린지 참가자들은 유방조영술 데이터에 대해 학습할 수 있는 알고리즘을 설계하고 환자가 XNUMX년 이내에 유방암 진단을 받을 확률 점수를 출력해야 했습니다. XNUMX차 도전 조건도 있었다. 두 번째 작업에서는 인구통계학적 위험 데이터, 임상 데이터, 이전 선별 검사에서 수집한 이미지와 같은 추가 정보에 대해 알고리즘을 훈련할 수 있었습니다.
모델 훈련에 사용된 두 개의 데이터 세트가 있습니다. 첫 번째 데이터 세트는 미국의 연구원들이 모은 Kaiser Permanente Washington(KPW) 데이터 세트였습니다. 한편 두 번째 데이터 세트는 Karolinska Institute(KI)의 스웨덴 연구원들이 수집했습니다.
1100명 이상의 참가자가 126개의 다른 팀으로 나뉘어 전 세계 사람들로 구성된 챌린지에 참여했습니다. 챌린지의 첫 번째 부분에서 모델은 140000개 이상의 스크리닝 시험 이미지가 포함된 KPW 데이터 세트를 사용하여 훈련되었습니다. 두 번째 챌린지의 결과와 비교했을 때, 임상 데이터와 같은 더 많은 기능에 대한 액세스가 알고리즘의 식별력을 의미 있게 향상시키지 못하는 것으로 나타났습니다. 그러나 디엠드림팀은 참여자들이 데이터를 충분히 활용하지 못했을 수 있다고 상정하면서 향후 알고리즘 개발에는 환자의 이전 이미지 분석이 포함되어야 한다고 제안했다.
건강 IT 분석에 따르면, DR Dream 팀은 상위 90.5개 팀이 공동 작업하고 앙상블 분류 모델을 설계하여 이 모델이 잠재적으로 개별 모델을 능가할 수 있는지 확인하려고 합니다. 그런 다음 챌린지 코디네이터는 다양한 알고리즘 예측의 가중 집계를 사용하여 CEM(챌린지 앙상블 모델)을 생성했습니다. CEM 모델의 확률론적 예측은 특이성을 사용하여 평가된 방사선 전문의의 해석과 비교되었습니다. 방사선 전문의는 76.1%의 특이성을 달성한 반면 CEM 모델은 92%의 특이성을 달성했습니다. 결과가 실망스러운 것처럼 보이지만 CEM 모델의 추측과 방사선 전문의의 해석을 다른 모델(CEM+R)로 집계하면 특이성이 XNUMX%로 향상되었습니다.
166,000개 이상의 검사 이미지가 포함된 모델을 검증하는 데 독점적으로 사용된 KI 테스트 데이터 세트에서 유사한 결과를 얻었습니다. CEM 모델은 방사선 전문의보다 약간 열등하지만(92.5% 특이도에 비해 96.7% 특이도) CEM+R이 더 나은 결과(98.5% 특이도)를 달성합니다.
개별 모델 중 어느 것도 인간 전문의를 능가할 수 없었지만 CEM+R 모델은 방사선 전문의 단독 해석에 비해 약간의 이점을 보였습니다. 인간의 직관과 AI 조수를 결합하면 정확도를 높일 수 있습니다.
