연구진은 매우 높은 감도로 정상적인 유방 조영술을 식별하는 알고리즘을 개발했다. 그런 다음 환자 데이터에 대한 시뮬레이션을 실행하여 위험도가 매우 낮은 유방촬영술을 방사선 전문의의 플레이트에서 모두 제거하여 의사가 더 의심스러운 스캔에 집중할 수 있도록 했다면 어떤 일이 일어났을지 확인했다.

시뮬레이션 결과, 추가 검사를 위해 다시 호출되는 사람은 줄어들었지만 발견된 암 사례는 동일한 수로 나타났다.

워싱턴 대학의 Mallinckrodt 방사선학 연구소(MIR) 방사선과 종양학 교수이자 방사선학과 교수인 수석 저자인 리처드 L. 월(Richard L. Wahl)은 "위양성이란 추가 검사를 위해 환자를 다시 불러서 양성으로 판명되는 경우를 말한다."라고 설명한다.

“이는 환자들에게 불필요한 불안감을 많이 주고 의료자원을 소모하게 된다. 이 시뮬레이션 연구는 AI가 위험도가 매우 낮은 유방 조영술을 안정적으로 식별하여 오탐을 줄이고 작업 흐름을 개선할 수 있음을 보여주었다.”

리처드 L. 월은 이전에 방사선 전문의가 유방 조영술에서 유방 밀도를 판단하여 추가 또는 대체 검사로 혜택을 받을 수 있는 사람들을 식별하는 데 도움이 되는 알고리즘에 대해 Whiterabbit.ai와 협력했다. 해당 알고리즘은 2020년에 식품의약청(FDA)으로부터 허가를 받았으며 현재 Whiterabbit.ai에서 WRDensity로 판매되고 있다.

방사선학: 인공지능 저널에 발표된 새로운 연구에서 리처드 L. 월과 Whiterabbit.ai의 동료들은 유방 조영술을 평가하기 위해 AI를 사용하여 암을 배제하는 방법을 개발하기 위해 협력했다. 그들은 워싱턴 대학교 방사선 전문의가 주로 수집하고 판독한 123,248개의 2D 디지털 유방 조영술(암을 보여주는 6,161개 포함)에 대해 AI 모델을 훈련했다. 그런 다음 미국 기관과 영국 기관에서 각각 2개씩, 3개의 독립적인 유방 조영술 세트에서 AI 모델을 검증하고 테스트했다.

첫째, 연구자들은 의사들이 무엇을 했는지 알아냈다. 즉, 2차 검사와 생검을 위해 다시 전화를 받은 환자 수는 얼마나 될까? 해당 테스트 결과; 그리고 각 경우의 최종 결정. 그런 다음 AI를 데이터 세트에 적용하여 초기 평가에서 음성 유방 조영술을 제거하는 데 AI를 사용하고 의사가 나머지를 평가하기 위해 표준 진단 절차를 따랐다면 무엇이 달라졌는지 확인했다.

예를 들어, 11,592개의 유방촬영 사진이 포함된 가장 큰 데이터세트를 생각해 보라. 시뮬레이션 목적을 위해 수학을 더 간단하게 만들기 위해 유방 조영술 10,000개로 확장했을 때 AI는 34.9%를 음성으로 식별했다. 3,485개의 음성 유방 조영술이 작업량에서 제거되었다면 방사선 전문의는 진단 검사를 위해 897개의 콜백을 만들었을 것입니다. 이는 실제 콜백 1,159개보다 23.7% 감소한 수치이다. 다음 단계에서는 190명이 2차 생체검사를 받게 되는데, 이는 실제 200명에 비해 6.9% 감소한 수치이다.

프로세스가 끝나면 AI 배제 접근법과 실제 표준 치료 접근법 모두 동일한 55개의 암을 식별했다. 즉, 이번 AI 연구는 초기 유방촬영술을 받은 1만명 중 262명은 암 사례를 놓치지 않고 진단검사를 피할 수 있었고, 10명은 생체검사를 피할 수 있었음을 시사한다.

Whiterabbit.ai의 공동 창립자이자 최고 기술 책임자인 제이슨 수(Jason Su)는 "결국 우리는 의사가 암을 발견하고 환자가 앞으로 나아갈 수 있도록 돕는 슈퍼 히어로가 되는 세상을 믿는다."라고 말했다.

“AI 시스템이 도움을 줄 수 있는 방법은 지원 역할을 하는 것이다. 부정적인 점을 정확하게 평가함으로써 의사가 바늘을 더 쉽게 찾을 수 있도록 건초 더미에서 건초를 제거하는 데 도움이 될 수 있다.

“이 연구는 AI가 부정적인 시험을 식별하는 데 잠재적으로 매우 정확할 수 있음을 보여준다. 더 중요한 것은 음성 탐지를 자동화하면 암 탐지율을 변경하지 않고도 위양성을 줄이는 데 엄청난 이점을 얻을 수 있다는 결과가 나타났다.”

이 작업은 Whiterabbit.ai Inc.의 자금 지원을 받았다.

출처: 세인트루이스 워싱턴대학교