대장암 분화도 예측을 위한 순서학습과 투표기법 기반 합성곱 신경망 인공지능 모델 (Convolutional neural network for colon cancer grading via order learning and voting)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 데이타베이스연구 / 40권 / 1호 / 27 ~ 37페이지
· 저자명 : 이주천, 김창수, 곽진태

초록

암은 전 세계적으로 주요 사망원인 중 하나이며, 환자의 건강 관리를 위해 신속 정확한 암 진단이 필수적이다. 본 연구에서는 대장암 환자로부터 얻어진 디지털화된 전체 슬라이드 이미지와 딥러닝 기술을 활용하여 대장암 암 등급 분류를 수행할 수 있는 방법론을 제시한다. 기존의 암 등급 분류 연구는 범주형 분류 방법이 주로 활용되었다. 범주형 분류 방법에서는 서로 다른 암 등급을 독립적인 것으로 가정한다. 하지만, 암 세포조직은 정상 세포조직과의 유사한 정도에 따라 저분화도 암세포부터 고분화도 암세포까지 나눌 수 있어 상대적인 관계성이 성립함을 알 수 있다. 따라서, 본 연구에서는 암 등급 간 순서관계를 정의하고 이를 활용하여 암 등급 분류를 수행하고자 한다. 이를 위해 합성곱 신경망에 기초하여 모델을 구성한다. 해당 모델은 범주형 분류와 순서분류를 동시에 수행하며, 순서분류를 위해 입력 이미지와 이와 비교할 수 있는 참고 이미지 쌍을 활용한다. 또한, 잘못 예측될 가능성이 높은 입력 이미지를 선별하고, 보다 정확한 암 등급 분류를 수행하기 위해 투표 체계를 활용한 후보정 기법을 제시한다. 실험 결과, 본 연구에서 제안하는 순서학습 기반 합성곱 신경망 모델은 대장암 분화도 예측에서 기존의 모델 대비 우수한 성능을 보였다. 또한, 본 연구에서 제안하는 모델의 각 구성요소들은 암 등급 분류 성능 향상에 골고루 기여하는 것을 확인할 수 있었다. 이번 연구를 통해 디지털화된 세포조직 이미지를 활용한 자동화된 암 등급 분류를 수행할 수 있는 가능성을 확인하였으며, 제안하는 기술은 대장암 이외의 다른 암 또는 질병 연구에 활용될 수 있을 것으로 기대된다.

영어초록

Cancer is one of the leading causes of death worldwide. Accurate and reliable cancer diagnosis is a prerequisite for timely management and treatment. In this study, we propose a deep learning method that can conduct colorectal cancer diagnosis on whole slide images obtained from colorectal cancer patients. Previous research on cancer grading primarily focused on categorical classification, which assumes the independence among cancer grades. However, cancer grades indicate how different or close the cancer cells are to normal cells. That is, cancer grades are related to each other. Herein, we propose to define the ordinal relationship among cancer grades and use them to conduct cancer diagnosis. To achieve this, we construct a convolutional neural network that can simultaneously perform both categorical and ordinal classification. The ordinal classification utilizes a pair of an input image and a reference image. Moreover, we introduce a voting mechanism to improve the classification performance. The voting mechanism identifies the input image that is likely to be mis-classified and corrects the classification. The experimental results demonstrate that the proposed method not only accurately conducts cancer grading but also outperforms other competing models. We anticipate that the proposed method can be applied to other types of cancers and disease to improve the quality of diagnosis and patient management.

참고자료

· 없음