유방암의 조기 진단은 적절한 치료 계획을 수립할 수 있게 하며 환자의 예후를 현저히 향상시키기 때문에 매우 중요하다. 직접적인 자기공명영상(MRI) 유도 생검은 암 병변 검출에서 유망한 성능을 보이지만, 시술 시간이 길고 비용이 높아 실제 적용에 제한이 있다. 이러한 문제를 해결하기 위해 MRI 촬영실 밖에서 시술을 수행할 수 있는 간접 MRI 유도 생검이 제안되었으나, 정확한 실시간 변형(Deformable) 유방 모델을 생성하는 데 여전히 어려움이 있다. 본 연구에서는 생검 절차 중 실시간으로 변형된 유방암 병소를 정확하게 예측할 수 있는 그래프 신경망(GNN) 기반 모델을 개발하여 이 문제를 해결하고자 하였다. 개별 환자 특이적 유한요소(FE) 모델은 유방과 종양의 자기공명(MR) 영상에서 유래한 구조 정보를 통합하여 변형 거동을 시뮬레이션하도록 구축하였다. 이후 표면 변위 및 거리 기반 그래프 데이터를 처리하도록 설계된 GNN 모델을 적용하여, 종양 부위의 변형을 포함한 전체 조직 변위를 정확하게 예측할 수 있도록 하였다. 모델은 팬텀 및 실제 환자 데이터셋을 사용하여 검증하였으며, 암 결절 변위에 대한 오차(RMSE)는 0.2 mm 이내의 정확도를 달성했고, 실제 암 병변과의 공간적 중첩에 대해서는 dice similarity coefficient(DSC) 0.977을 나타냈다. 또한 이 모델은 실시간 추론을 가능하게 하였고, 기존 유한요소 시뮬레이션에 비해 계산 비용에서 4,000배 이상 가속을 달성하였다. 제안된 변형 인지(deformation-aware) GNN 모델은 유방 생검에서 종양 변위의 실시간 예측을 위한 유망한 해결책을 제공하며, 높은 정확도와 실시간 수행 능력을 동시에 갖춘다. 이 모델의 임상 절차와의 통합은 유방암 진단의 정밀성과 효율을 크게 향상시킬 수 있을 것이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.