인공지능 기반 상염색체 우성 다낭성 신장 질환 자동 분류 및 분석 연구

Abstract

상염색체 우성 다낭성 신장질환(Autosomal dominant polycystic kidney disease, ADPKD)은 신장에 다수의 낭종이 생기는 질환으로, 한 번 발병하면 신장의 기능을 극도로 저하시켜 생명을 위협하는 유전 질환 중 하나이다. 이 질환의 근본적인 치료방법은 아직까지 없기 때문에, 환자의 영상 분석을 통한 정량적 예후 진단과 위험도 예측은 임상 관리 및 임상 시험에 매우 중요하다. ADPKD를 예측하는 기준 중 하나인 Mayo 영상 분류는 키 보정 총 신장 부피(height-adjusted total kidney volume)와 연령을 기반으로 위험도를 측정한다. 그러나 이는 전형적인 ADPKD 환자(typical case)인 class 1에만 적용할 수 있으며, 눈에 띄는 신장 외 낭종(exophytic cyst)이 있는 전형적이지 않은 환자의 경우(atypical case)인 class 2는 제외시켜야 한다. Class 1과 class 2의 분류는 일반적으로 전문의에 의해 수동으로 이루어지기 때문에 시간과 높은 집중력을 요구하고, 컨디션에 따른 판독자 내 차이 및 숙련도에 따른 판독자 간 차이 등으로 인해 판독 결과가 달라질 수 있다. 본 연구에서는 딥러닝을 기반으로 하여 ADPKD 환자의 MR 영상을 class 1과 class 2로 자동 분류하고, 그 결과에 대한 확률 및 설명 가능한 인공지능(Explainable Artificial Intelligence, XAI)을 활용하여 시각적으로 근거를 제시하는 방법을 제안한다. 이를 위해 HALT-PKD 연구에 참여한 486명의 ADPKD 환자의 MR 영상을 전처리 및 증강하여 데이터를 준비하였다. 우리는 자동 분류를 위해 ResNet(Residual Network)-18, 34, 50 및 ViT(Vision Transformer)를 사용하여 딥러닝 모델을 훈련 및 테스트하고, 모델의 성능을 높이기 위해 ImageNet-1K 데이터세트에서 사전훈련 된 가중치를 사용한 전이학습을 적용하였다. 결과적으로 성능이 가장 우수한 ResNet-50에서 얻은 결과를 기반으로 소프트맥스(softmax) 함수를 사용하여 확률을 도출하고, XAI 기술을 활용하여 모델의 분류 결정에 대한 근거를 MR 영상 내에서 시각적으로 강조하여 나타내어 분류 결과의 진단 신뢰도를 얻을 수 있었다. 모델의 성능 평가를 위해서 오차 행렬(confusion matrix)과 ROC(Receiver Operating Characteristic, ROC)곡선 및 AUC(Area Under the Curve)를 활용하였다. 자동 분류 결과, ResNet-50 모델이 class 1을 97.7%, class 2를 100%, 평균 98.01%의 정확도를 나타내었고, class 1의 예측 정밀도, 재현율, F1-점수는 각각 1, 0.98, 0.99, class 2는 각각 0.87, 1, 0.93, 그리고 AUC는 0.99로 자동 분류에서 가장 우수한 성능을 보였다. 본 연구에서 제안한 완전 자동화된 분류 방법과 그에 대한 확률은 의사의 1차 판독 후, 2차 판독을 위한 객관적인 지표로 활용될 수 있으며, 확률이 모호한 경우 의사가 의료 영상을 다시 검토함으로써 진단의 정확성과 효율성을 높일 수 있다. 또한, XAI 기술을 기반으로 모델의 분류 결정에 대한 근거를 MR 영상 내에서 시각적으로 강조하여 나타내어 모델의 자동 결정에 대한 신뢰도를 향상시킬 수 있었다. 이러한 접근 방식은 ADPKD 환자의 임상 관리 및 임상 시험에서 효과적으로 사용될 수 있으며, 실제 의료 현장에서 진단 과정을 보다 간편하고 신뢰성 있게 지원함으로써 의료 전문가와 환자들에게 많은 도움을 줄 것으로 기대된다.|Autosomal dominant polycystic kidney disease (ADPKD) is a genetic disorder characterized by the development of multiple cysts in the kidneys. To date, there is no fundamental treatment for ADPKD, so quantitative classification of patients and risk prediction through image analysis is crucial for clinical management and trials. Mayo imaging classification is one of the widely accepted quantification tool exploiting height-adjusted total kidney volume and age. Nevertheless, this tool can be applied to the patients with class 1 (typical) only, and class 2 (atypical) with prominent exophytic cysts are excluded. Manual classification of class 1 and 2 is performed as pre-step procedure, but this is time-consuming, onerous, and subject to intra-rater and inter-rater variability. In the era of the Fourth Industrial Revolution utilizing an artificial intelligence techniques, a deep learning plays a significant role in healthcare applications. In this study, we propose a deep learning-based fully automated methodology to automatically classify class 1 and 2 in individuals affected by ADPKD using MR images showing diagnostic confidence of the automatic classification results. An explainable artificial intelligence (XAI) method is also applied to increase the explainability of the automated classification results. To this end, MR images from 486 ADPKD patients participating in the HALT-PKD study were utilized for data preprocessing and augmentation. We trained and tested the deep learning models with residual network (ResNet)-18, 34, 50 and vision transformer (ViT) and applied transfer learning using pre-trained weights trained on the ImageNet-1K dataset. Accordingly, we utilized the output from ResNet-50, showing best performance, to obtain the diagnostic confidence of the classification results using the softmax function, followed by the superpixels were generated in the MR image so as to highlight contributing regions using the XAI methode. For the performance evaluation, we utilized confusion matrices, the receiver operating characteristic (ROC) curves, and area under the curve (AUC). Experimental results showed that ResNet-50 model performed the best in automated classification, with class 1 at 97.7%, class 2 at 100%, and an average test accuracy of 98.01%. The precision, recall and F1-score for predicting the class 1 were 1, 0.98 and 0.99, respectively, while those for predicting the class 2 were 0.87, 1, and 0.93, respectively. The automated classification method proposed in this study and its probabilities can be utilized as an objective indicator for a second opinion after the physicians’ interpretation, allowing the physician to thoroughly examine the medical images again if the diagnostic confidence values are ambiguous, enhancing the accuracy and effectiveness of the diagnosis. In addition, the rationale for the model's classification decision based on XAI was visually highlighted within the MR image to improve the confidence in the model's automated decision. The proposed method could effectively facilitate in the clinical management and trials for patients with ADPKD, and is expected to benefit healthcare professionals and patients by making the diagnosis process simpler and more reliable in daily clinical routines.