°©»ó¼± ¿µ»ó¿¡¼­ÀÇ ÀΰøÁö´É Àû¿ë

ÇÏ Àº ÁÖ

¾ÆÁÖ´ëÇб³º´¿ø ¿µ»óÀÇÇаú


  °©»ó¼±ºÐ¾ß¿¡¼­ ÃÊÀ½ÆÄ°Ë»ç´Â °áÀýÀÇ Áø´ÜºÎÅÍ À§Çèµµ ºÐ·ù, ¼¼Ä§ÈíÀΰ˻縦 °áÁ¤ÇÏ´Â ÀÏÂ÷ÀûÀÎ µµ±¸·Î¼­ ³Î¸® »ç¿ëµÇ°í ÀÖ´Ù. ±×·¯³ª ¿µ»ó Çؼ®¿¡ ÀÖ¾î Æǵ¶ÀÚ°£ÀÇ Â÷ÀÌ°¡ Á¸ÀçÇÒ ¼ö ÀÖ°í ƯÈ÷ °æÇèÀÌ ºÎÁ·ÇÑ Àǻ翡 ÀÇÇØ ½ÃÇàµÇ´Â °æ¿ì ºÒÇÊ¿äÇÑ ¹Ýº¹Àû ¼¼Ä§ÈíÀÎ°Ë»ç ¹× Áø´ÜÀû ¼ö¼úÀÌ ½ÃÇàµÉ ¼ö ÀÖ´Â ´ÜÁ¡ÀÌ ÀÖ´Ù. ÃÖ±Ù ÀΰøÁö´É ±â¹ÝÀÇ ÄÄÇ»ÅÍ Áø´Ü º¸Á¶(CAD) ½Ã½ºÅÛÀ» ÅëÇØ ÀÌ·¯ÇÑ ÃÊÀ½ÆÄÀÇ ´ÜÁ¡À» º¸¿ÏÇÏ¿© Á¤È®ÇÏ°í ÀÏ°üµÈ Çؼ®À» ÅëÇØ ºÒÇÊ¿äÇÑ ¼¼Ä§ÈíÀÎ°Ë»ç ¹× Áø´ÜÀû ¼ö¼úÀ» ÁÙÀÌ°íÀÚ ÇÏ´Â ¿¬±¸µéÀÌ ÁøÇàµÇ°í ÀÖ¾î ÇöÀç±îÁöÀÇ ÁøÇà »óȲ°ú ÇâÈÄÀÇ ¹ßÀü ¹æÇâ¿¡ ´ëÇÑ ³íÀǵéÀ» °øÀ¯ÇÏ°íÀÚ ÇÑ´Ù.

Ä¿¹ö½ºÅ丮 À̹ÌÁö1

  ÀΰøÁö´É ±â¹ÝÀÇ CAD ½Ã½ºÅÛ °³¹ß¿¡ ÀÖ¾î Ãʱ⠿¬±¸´Â ÁÖ·Î ¸Ó½Å ·¯´×À» ±â¹ÝÀ¸·Î ÇÏ¿´´Ù. ¸Ó½Å ·¯´× ±â¹ýÀº ±âÁ¸ÀÇ composition, shape, margin, orientation, calcification µî°ú °°Àº Àü¹®°¡ Áý´Ü¿¡ ÀÇÇØ »çÀü Á¤ÀÇµÈ Æ¯Â¡À» ±â¹ÝÀ¸·Î °³¹ßµÇ´Âµ¥, Chang µîÀÇ ¿¬±¸¿¡¼­´Â ¸Ó½Å ·¯´×À» ÀÌ¿ëÇØ °©»ó¼±ÀÇ ¾Ç¼º °áÀýÀ» ±¸º°Çϴµ¥ ÀÖ¾î CADÀÇ Áø´Ü ´É·ÂÀ» AUROC 0.986±îÁö º¸°íÇϱ⵵ ÇÏ¿´´Ù (1). ±×·¯³ª, Sollini µîÀº ü°èÀû °íÂû ¿¬±¸¸¦ ÅëÇØ ±âÁ¸ÀÇ ¸¹Àº ¸Ó½Å ·¯´× ±â¹ÝÀÇ ¿¬±¸ °á°úµéÀÌ ¼­·Î ´Ù¸¥ ¿µ»ó ÇÁ·ÎÅäÄÝ, ¼¼ºÐÈ­ ¹æ¹ý, ½ºÄ³³Ê/º¥´õ µîÀÇ ´Ù¾çÇÑ ±³¶õ º¯¼ö·Î ÀÎÇØ ¿¬±¸ °á°úµéÀÇ ºñ±³ °¡´É¼º°ú ÀçÇö¼ºÀÌ Á¦ÇÑµÉ »Ó ¾Æ´Ï¶ó, ÀÛÀº Áý´ÜÀ» ´ë»óÀ¸·Î °³¹ßµÇ¾úÀ½¿¡µµ ºÒ±¸ÇÏ°í ÈÄ¼Ó °ËÁõ ¿¬±¸°¡ °ÅÀÇ ÀÌ·ç¾îÁöÁö ¾Ê¾Æ ½ÇÁ¦ÀûÀÎ ÀÓ»ó Àû¿ë¿¡´Â Á¦¾àÀÌ ÀÖ´Ù°í º¸°íÇÏ¿´´Ù (2). À̸¦ ±Øº¹Çϱâ À§ÇØ ÃÖ±Ù¿¡´Â µö ·¯´× ±â¹ÝÀÇ ´ë±Ô¸ð À̹ÌÁö ÄÚȣƮ¸¦ ¹ÙÅÁÀ¸·Î ÇÑ ¿¬±¸µéÀÌ ¹ßÇ¥µÇ¾ú´Âµ¥ ±âÁ¸ÀÇ ¸Ó½Å ·¯´×°ú´Â ´Þ¸® Àü¹®°¡ÀÇ »çÀü Á¤ÀÇµÈ ÃÊÀ½ÆÄ Æ¯Â¡¿¡ ´ëÇÑ °íÂû¾øÀÌ Áַδ ÄÁº¼·ç¼Ç ½Å°æ¸Á (convolutional neural network)À» ±â¹ÝÀ¸·Î °³¹ßÀÌ ÁøÇàµÇ¾ú´Ù. ´ëÇ¥ÀûÀÎ Li µîÀÇ ¿¬±¸¿¡¼­´Â 30¸¸°³ ÀÌ»óÀÇ À̹ÌÁö ÄÚȣƮ¸¦ ¹ÙÅÁÀ¸·Î °³¹ßÇÑ CAD ½Ã½ºÅÛÀÌ TI-RADS ±â¹ÝÀÇ ¿µ»óÀÇÇаú ÀÇ»çÀÇ Áø´Ü°ú À¯»çÇÑ ¹Î°¨µµ (84.3~93.4% vs 89.0~96.9%), ¹× ³ôÀº ƯÀ̵µ (86.1~87.8% vs 57.1~68.6%)¸¦ °¡Áö°í ÀÖ´Ù°í º¸°íÇÑ ¹Ù ÀÖÀ¸¸ç, ºñ·Ï ÀÌ ¿¬±¸¿¡ ÀÖ¾î ¸¹Àº ¹æ¹ý·ÐÀû ³íÀïÀÌ Á¸ÀçÇÏÁö¸¸ µö ·¯´× ±â¹ÝÀÇ CAD ½Ã½ºÅÛÀÇ °¡´É¼ºÀ» ³Î¸® ÀÔÁõÇÏ¿´´Ù (3). ±×·¯³ª ÀΰøÁö´É ±â¹ÝÀÇ CAD ½Ã½ºÅÛ Àû¿ë¿¡ ÀÖ¾î ¹«¾ùº¸´Ù Áß¿äÇÑ °ÍÀº ¿ÜºÎ °ËÁõÀ» ÅëÇÑ °á°ú°ªÀÇ ÀçÇö¼ºÀ̸ç À̸¦ À§ÇØ ÇöÀç±îÁö 2°³ÀÇ »ó¿ëÈ­µÈ CAD ½Ã½ºÅÛ (AmCAD-UT¡ÛR (AmCAD Biomed), S-DetectTM for Thyroid (Samsung Healthcare))ÀÌ °³¹ßµÇ¾î ÀÖ´Ù. AmCAD-UT¡ÛR´Â °©»ó¼± °áÀý Áø´Ü¿ë ÃÖÃÊÀÇ »ó¿ëÈ­µÈ CAD ½Ã½ºÅÛÀ¸·Î Åë°è ÆÐÅÏ ÀÎ½Ä ¹× Á¤·®È­ ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇØ °©»ó¼± °áÀýÀÇ Æ¯Â¡À» Ư¼ºÈ­ Çϵµ·Ï ¼³°èµÇ¾î ´Ù¾çÇÑ TI-RADS ±â¹ÝÀÇ °áÀý ºÐ·ù¿Í À§Çèµµ¸¦ Á¦°øÇÏ°í ÀÖ´Ù. ÀÌ´Â Reverter µîÀÇ ¿ÜºÎ °ËÁõ ¿¬±¸¿¡¼­ TI-RADS ±â¹ÝÀÇ ÀÓ»ó Àü¹®°¡¿Í À¯»çÇÑ ¹Î°¨µµ (87.0% vs 87.0%), ³·Àº ƯÀ̵µ (68.8% vs 91.2%)¸¦ º¸ÀÎ ¹Ù ÀÖ´Ù (4). ¹Ý¸é¿¡ S-DetectTM for Thyroid´Â »ó¿ëÈ­µÈ ÃÊÀ½ÆÄ Ç÷§Æû¿¡ ÅëÇÕµÇ¾î ½Ç½Ã°£ Àû¿ëÀÌ °¡´ÉÇϵµ·Ï °³¹ßµÇ¾úÀ¸¸ç ¾ç¼º/¾Ç¼º ¶Ç´Â ´Ù¾çÇÑ TI-RADS ±â¹ÝÀÇ ºÐ·ù °á°ú¸¦ Á¦°øÇÏ°í ÀÖ´Ù. ±×·¯³ª ÃÖ µîÀÇ ¿ÜºÎ °ËÁõ ¿¬±¸¿¡¼­´Â ¿µ»óÀÇÇаú Àü¹®ÀÇ¿Í À¯»çÇÑ ¹Î°¨µµ (88.4% vs 90.7%)¸¦ º¸¿´Áö¸¸, ÀÌ ¿ª½Ã ƯÀ̵µ (74.6% vs 94.9%)´Â ³·¾Ò´Ù (5).

  ÇöÀç±îÁöÀÇ °ËÁõµÈ ¿¬±¸°á°úµé·Î ¹Ì·ç¾î º¼ ¶§ ÀΰøÁö´É ±â¹ÝÀÇ CAD ½Ã½ºÅÛÀÇ ±â¼úÀû ½ÇÇö °¡´É¼ºÀº ÃæºÐÈ÷ ÀÔÁõµÇ¾úÁö¸¸ ÀÓ»ó¿¡¼­ÀÇ Àû¿ë °¡Ä¡´Â ¾ÆÁ÷ ºÒ¸íÈ®ÇÏ´Ù. µû¶ó¼­ ÀÓ»óÀûÀ¸·Î Àû¿ë °¡´ÉÇÑ Àß ¼³°èµÈ CAD ½Ã½ºÅÛ °³¹ßÀ» À§Çؼ­´Â ½ÇÁ¦ »ç¿ëÀÚÀÎ °©»ó¼±À» ´Ù·ç´Â ÀÇ»çÀÇ ÀÔÀå¿¡¼­ ´Ù°¢µµÀÇ °í¹Î°ú ³ë·ÂÀÌ ÇÊ¿äÇÏ´Ù. ƯÈ÷ °³¹ßµÈ »õ·Î¿î µµ±¸°¡ ÀÓ»óÀÇ Áø´Ü work-flow ¿¡ ¾î¶»°Ô ÅëÇÕÇÒ °ÍÀΰ¡¿¡ ´ëÇÑ °í¹ÎÀÌ ÇÊ¿äÇϸç ÇöÀç±îÁöÀÇ °ËÁõ °á°ú·Î´Â °©»ó¼± ¿µ»óÀ» Àü¹®À¸·Î ÇÏ´Â Àǻ縦 ´ëüÇϱâ´Â ¾î·ÆÁö¸¸ °©»ó¼± ÃÊÀ½ÆÄ ¿µ»óÀÇ °æÇèÀÌ ºÎÁ·ÇÑ Àǻ縦 µ½´Â add-on °Ë»ç·Î¼­ Âü°íÀÚ·á·Î ¾²ÀÏ °¡´É¼ºÀÌ ³ô¾Æ º¸ÀδÙ. ¶ÇÇÑ °©»ó¼± ¾Ï Áø´Ü ½Ã ÀΰøÁö´É ±â¹ÝÀÇ CAD ½Ã½ºÅÛ¿¡°Ô ¿ä±¸µÇ´Â ÀûÁ¤ ¼öÁØÀÇ ¹Î°¨µµ ¹× ƯÀ̵µ¿¡ ´ëÇÑ »ç¿ëÀÚ °£ÀÇ ÇÕÀÇ°¡ ÇÊ¿äÇÏ´Ù. °©»ó¼± ¾ÏÀº ¿¹ÈÄ°¡ ÁÁ°í »ç¸Á·üÀÌ ³·´Ù´Â Á¡¿¡¼­ ºÒÇÊ¿äÇÑ ¼¼Ä§ÈíÀΰ˻縦 ÁÙÀÌ´Â Ãø¸éÀÇ ³ôÀº ƯÀ̵µ¸¦ ¿ì¼±ÇÒ °ÍÀÎÁö, ¹Î°¨µµ¸¦ ³ô¿© °æÇèÀÌ ÀûÀº ÀÇ»çµéÀ» Áö¿øÇÏ´Â ¼±º° µµ±¸·Î »ç¿ëÇϵµ·Ï °³¹ßÇÒ °ÍÀÎÁö¿¡ ´ëÇÑ °í¹ÎÀÌ ÇÊ¿äÇÏ´Ù. ÃÖÁ¾ÀûÀ¸·Î´Â ÀÌ·¯ÇÑ ³ë·ÂµéÀÌ ´Ù¾çÇÑ Àü¹® ºÐ¾ßÀÇ ÀÇ»çµé °£¿¡ ÃÊÀ½ÆÄ °Ë»ç Çؼ®¿¡ ´ëÇÑ Â÷À̸¦ ÁÙÀÌ°í °©»ó¼± °áÀý ȯÀÚÀÇ ºÒÇÊ¿äÇÑ ¼¼Ä§ÈíÀΰ˻ç, Áø´ÜÀû ¼ö¼ú µîÀ» ÁÙÀ̴µ¥ ±â¿© ÇÒ ¼ö ÀÖ´ÂÁö¿¡ ÀÓ»ó °ËÁõÀÌ ÇÊ¿äÇÏ´Ù. À̸¦ À§Çؼ­´Â ÀÓ»ó ¼º°ú¸¦ °ú´ëÆò°¡ÇÏÁö ¾Ê°í, Àß Á¤ÀÇµÈ ÀÓ»ó ÄÚȣƮ¿¡¼­ ÀûÀýÇÑ ¿ÜºÎ µ¥ÀÌÅÍ ÁýÇÕÀ» ¾ò´Â °ÍÀÌ ÇʼöÀûÀ̸ç, ±Ã±ØÀûÀ¸·Î ´Ü¼ø ¼º°ú ÁöÇ¥¸¦ ¶Ù¾î³Ñ´Â ÀÓ»ó ½ÃÇè°ú °üÂû ¿¬±¸°á°ú°¡ ÇÊ¿äÇÏ°Ú´Ù (6).

References

1. Chang Y, Paul AK, Kim N, Baek JH, Choi YJ, Ha EJ, Lee KD, Lee HS, Shin D, Kim N 2016 Computer-aided diagnosis for classifying benign versus malignant thyroid nodules based on ultrasound images: A comparison with radiologist-based assessments. Med Phys 43:554.

2. Sollini M, Cozzi L, Chiti A, Kirienko M 2018 Texture analysis and machine learning to characterize suspected thyroid nodules and differentiated thyroid cancer: Where do we stand? Eur J Radiol 99:1-8.

3. Li X, Zhang S, Zhang Q, Wei X, Pan Y, Zhao J, Xin X, Qin C, Wang X, Li J, Yang F, Zhao Y, Yang M, Wang Q, Zheng Z, Zheng X, Yang X, Whitlow CT, Gurcan MN, Zhang L, Wang X, Pasche BC, Gao M, Zhang W, Chen K 2018 Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. Lancet Oncol.

4. Reverter JL, Vazquez F, Puig-Domingo M 2019 Diagnostic Performance Evaluation of a Computer-Assisted Imaging Analysis System for Ultrasound Risk Stratification of Thyroid Nodules. AJR Am J Roentgenol:1-6.

5. Choi YJ, Baek JH, Park HS, Shim WH, Kim TY, Shong YK, Lee JH 2017 A Computer-Aided Diagnosis System Using Artificial Intelligence for the Diagnosis and Characterization of Thyroid Nodules on Ultrasound: Initial Clinical Assessment. Thyroid 27:546-552.

6. Ha EJ, Baek JH 2020 Application of machine learning and deep learning to thyroid imaging: where do we stand? Ultrasonography.