인공지능을 활용해서 실제 임상에 적용하기 위한 처음 시작한 것이 2018년으로 기억한다.
2019년부터 본격적으로 이것저것 해보고,
관련된 제품들도 사용해보면서 방향성을 정해보게 되었다.
어떻게 보면 느리다고 할 수 있지만,
관련된 연구결과들이 이제 나오기 시작한다.
그전에 Atlas기반의 논문도 몇개 있긴 하지만, 그건 그냥 넘어가도록 하고!!
첫번째 세상에 나온 논문은.
연구실에서 개발한 DL과 기존 Atlas 알고리즘의 비교
결론은 장단점이 있으나 DL이 조금 더 Robust하고, Contrast CT, NonConstrast CT 에 대해서도 잘 동작한다.
오히려 Atlas based segmentation이 단점들이 존재한다는 결론!
www.sciencedirect.com/science/article/abs/pii/S0167814020308203
Clinical evaluation of atlas- and deep learning-based automatic segmentation of multiple organs and clinical target volumes for
Manual segmentation is the gold standard method for radiation therapy planning; however, it is time-consuming and prone to inter- and intra-observer v…
www.sciencedirect.com
그런 의미에서 현재 일종의 가이드라인처럼 사용되는 문서에서 언급되는.
Atlas based deformable registration은 이제 몇 년뒤면 역사속으로 사라지게 될 것이다.
https://www.redjournal.org/article/S0360-3016(20)34409-6/fulltext
연장선상?에서 나온 논문
코어라인소프트와 기술이전을 통해서 만든 DL 기반의 Auto-Segmentation을 임상에 사용해보고,
임상적인 평가를 수행한 결과를 보고 했다.
유방암 111명의 환자를 기반으로 DL을 만들어서 DSC로 볼 때 90% 넘는 결과를 보였고,
10개의 기관의 임상 전문가들에게 교차검증을 통해서 acceptable한 결과를 보여서
일반적인 routine에서 활용이 가능하겠다. 는 결론을 내릴 수 있는 논문이라고 할 수 있다.
사실 더 많은 이야기를 할 수 있을텐데,
정상 장기 뿐이나라 종양 CTV, lymph node에 대해서도 그릴 수 있다는 것이 장점이라고 생각한다.
ro-journal.biomedcentral.com/articles/10.1186/s13014-021-01771-z
Clinical feasibility of deep learning-based auto-segmentation of target volumes and organs-at-risk in breast cancer patients aft
Background In breast cancer patients receiving radiotherapy (RT), accurate target delineation and reduction of radiation doses to the nearby normal organs is important. However, manual clinical target volume (CTV) and organs-at-risk (OARs) segmentation for
ro-journal.biomedcentral.com
사실 아래의 논문이 가장 공을 많이 들이긴 했는데,
시간의 압박으로 인해 더 의미있는 저널에 싣지 못해서 아쉽기도 하다.
방사선치료의 특징은 중간에 Adaptive RT를 한다는 것이다.
이럴 경우 또 다른 image set들이 생기게 되는데, DL을 학습시키는 데이터가 중요한 이슈가 된다.
보통 training과 test는 다른 환자의 데이터를 사용하지만,
training을 할 때, 이전 첫번째 찍은 CT, 즉 같은 환자의 데이터 - 그러나 조금 다른 데이터를 사용하게 되면
어떤 결과가 나오게 될까. - 더 좋을 것이라는 전제로 시작한 연구이긴 하다. ㅋ
그래서 이름을 Continual Deep learning이라고 적어서 냈는데, 리뷰어들이 잘 이해를 못한 면이 있다.
암튼 결론만 이야기하면 같은 환자의 data를 사용해서 training한 것이 더 임상적으로 만족한다는 것이다.
DSC는 큰 차이가 없지만, 주관적인 평가에서는 조금 더 사람이 그린 것과 같다는 답을 얻었다.
이 과정에서 turing test를 했는데, 엄청난 일들을 해준 1저자에게 감사 ㅎㅎ
www.mdpi.com/2072-6694/13/4/702
Feasibility of Continual Deep Learning-Based Segmentation for Personalized Adaptive Radiation Therapy in Head and Neck Area
This study investigated the feasibility of deep learning-based segmentation (DLS) and continual training for adaptive radiotherapy (RT) of head and neck (H&N) cancer. One-hundred patients treated with definitive RT were included. Based on 23 organs-at-risk
www.mdpi.com
아래의 그림이 가장 중요하긴 한데.
matched training set으로 학습한 DLSm이 가장 사람처럼 느껴진다는 평가 결과이다.
기존의 방법은 DLSu 이고, 그래서 Continual learning이 필요하다는 결론인데..
뭐 앞으로 계속 진행할 연구과 연동이 되니까. 기대해본다.
암튼 여기에서도 DIR은.. 사요나라..
그리고 논문에 최근 몇개의 관련 논문들의 성적을 정리해보았다.
나중에 이것만.. 보면 그래도... 도움이 되리라 믿어본다.!!
'MedPhy Jinsung' 카테고리의 다른 글
| 2021. WFNOS 심포지엄! (0) | 2021.09.26 |
|---|---|
| 새로운 시작을 해야겠죠! (0) | 2021.09.20 |
| MDACC 이동주 연구원 세미나. (0) | 2021.02.24 |
| 2021년 2월 23일! (1) | 2021.02.23 |
| 저를 소개합니다! (0) | 2021.02.18 |
