새로운 딥러닝 모델은 암세포가 인근 림프절을 포함해 전이 여부를 진단할 때 수술의 필요성을 줄일 수 있습니다. 텍사스대학교 사우스웨스턴 메디컬 센터의 연구진이 개발한 이 AI 도구는 시계열 MRI와 임상 데이터를 분석하여 전이를 식별함으로써 의사의 치료 계획 수립에 중요한 비침습적 지원을 제공합니다. 이러한 발전은 보다 시기적절하고 정확한 암 평가로 이어져 많은 환자가 불필요한 수술을 피하고 치료 결과를 개선하는 데 도움이 될 수 있습니다.
전이성 유방암은 유방암 관련 사망의 대부분을 차지합니다. 미국에서 초기 유방암 진단을 받은 여성 3명 중 1명은 전이성 유방암으로 발전합니다. 하지만 조기에 발견하고 치료하면 질병의 진행을 늦추고 의사와 환자가 증상을 관리하며 치료 효과를 극대화할 수 있습니다.
의사는 암이 림프절로 퍼졌는지 여부를 확인할 때 감시 림프절 생검(SLNB)에 의존하는 경우가 많습니다. 이 절차에는 암 부위 근처에 염료와 방사성 용액을 주입하여 종양 부위로 먼저 배출되는 감시 림프절을 식별하는 과정이 포함됩니다. 그런 다음 이 노드를 외과적으로 제거하고 생검합니다. 감시 노드에서 암세포가 발견되면 암이 림프계로 퍼지고 있으며 더 퍼질 수 있음을 나타냅니다. 이 정보는 의사가 환자에게 가장 적합한 치료법을 결정하는 데 도움이 됩니다.
SLNB는 검증된 방법이지만 침습적이며 마취, 방사선 노출, 부기, 통증, 절개 부위의 움직임 제한과 관련된 위험이 따릅니다.
SLNB를 대체할 수 있는 비침습적이고 신뢰할 수 있는 대안을 만들기 위해 연구진은 맞춤형 4차원 컨볼루션 신경망(4D CNN)을 개발했습니다. 연구진은 최근 림프절로 전이된 유방암 진단을 받은 여성 350명의 임상 데이터 세트와 함께 동적 조영 증강 MRI(DCE-MRI)를 사용하여 모델을 훈련시켰습니다.
연구진은 텍사스대학교 사우스웨스턴 메디컬 센터의 고성능 컴퓨팅 인프라의 일부인 뉴클리어 컴퓨트 클러스터(Nucleus Compute Cluster)를 사용해 NVIDIA A100 Tensor 코어 및 NVIDIA V100 Tensor 코어 GPU를 사용하여 복잡한 4D 딥 러닝 모델을 구축 및 훈련했습니다.
연구 공동 저자이자 텍사스대학교 사우스웨스턴 메디컬 센터의 전 전산 과학자인 Paniz Karbasi NVIDIA 수석 HPC 엔지니어는 “우리가 구축한 딥 러닝 모델은 복잡한 4D 모델로, 높은 훈련 처리량과 이미지 향상 및 노이즈 감소를 위한 데이터 전처리 파이프라인을 달성하기 위해 GPU는 필수적이었다”고 말했다.
이 AI 모델은 시간 경과에 따른 변화를 고려하면서 3D MRI 스캔의 데이터를 검사하여 4차원으로 데이터를 처리합니다. 이 모델은 시간에 따른 여러 이미지를 분석하고 나이, 종양 등급, 유방암 표지자 등의 임상 데이터를 통합하여 종양과 주변 림프절의 특징을 학습합니다. 이를 통해 암이 없는 림프절 또는 암에 걸린 림프절과 관련된 패턴을 정확하게 식별할 수 있습니다.
“우리 연구의 가장 중요한 측면은 영상 데이터의 경우 추가적인 겨드랑이 영상 촬영 없이 원발 종양과 관련된 데이터에만 집중한다는 것입니다.”라고 연구의 수석 저자이자 Mount Sinai Health Systems의 인터벤션 방사선과 레지던트인 Dogan Polat은 말합니다. Polat 박사는 텍사스대학교 사우스웨스턴 메디컬 센터에서 이 연구를 주도했습니다. “우리는 추가 촬영의 필요성을 줄이고 환자의 침습적 시술 횟수를 줄이는 것을 목표로 합니다.”라고 Polat 박사는 말합니다.
림프절 전이를 89%의 정확도로 식별하여 영상의학과 전문의 및 기타 영상 기반 모델보다 뛰어난 성능을 발휘합니다. 또한 유방암 환자가 불필요한 감시 림프절 생검과 액와 림프절 절제술(ALND)을 받지 않도록 하여 시술과 관련된 위험, 합병증 및 자원을 줄일 수 있는 잠재력을 가지고 있습니다.
Polat에 따르면 연구진의 다음 단계는 실제 데이터를 수집하기 위해 모델을 배포하여 그 효과를 검증하고 더 개선하고 더 광범위하게 적용할 영역을 식별하는 것입니다.
유방암의 림프절 전이에 대한 머신 러닝 예측 연구를 읽어보세요: 다중 기관 MRI 기반 4D 컨볼루션 신경망의 성능.
관련 리소스
- DLI 과정: 텐서플로우를 사용한 이미지 분류
- GTC 세션: 체성분 지수를 방사선 바이오 마커로 이용한 암 악액질 조기 진단
- GTC 세션: 의료 이미지 분석을 위해 클라우드에서 새로운 딥러닝 모델을 개발하고 배포하기 위한 AI 전략 최적화하기
- GTC 세션: 인공 지능이 생물의학의 미래를 지원하는 방법
- NGC 컨테이너: 바디마커/페노바디
- NGC 컨테이너: ASR Parakeet CTC Riva 1.1b
