5543 배경: 골반 초음파는 난소암을 진단하는 데 유용한 검사이지만, 딥러닝 모델의 성능을 평가한 연구는 많지 않다. 연령 및 CA-125 데이터와 같은 임상 정보를 함께 집계한 초음파 영상을 기반으로 한 딥러닝의 개발은 양성 난소낭종과 악성 병변을 감별하는 데 유익할 수 있다. 본 연구의 목적은 난소의 악성 및 양성 병변 간 감별진단의 정확도를 향상시킨 딥러닝 모델을 구축하는 것이다. 방법: 2015-2022년 기간 동안 난소암 또는 양성 낭종으로 진단받은 환자에서, 골반 초음파 영상과 진단 시 연령 및 CA-125 수치 정보를 수집하였다. 영상은 낭성 및 고형 성분으로 분할(segmentation)한 뒤, 특징 추출을 위해 전처리하였다. 합성곱 신경망(convolutional neural network) 모델을 개발하기 위해 환자를 훈련 데이터셋(565명), 검증 데이터셋(76명), 시험 데이터셋(163명)에 배정하였다. 이 합성곱 신경망을 이용한 특징 추출 후, 연령 및 종양 표지자를 추가로 사용하여 해당 영상을 악성 또는 양성으로 분류하였다. 이러한 데이터셋을 사용하여 딥러닝 모델의 진단적 가치를 평가하였다. 영상 특징과 임상 정보를 함께 활용하는 새로운 AI 모델을 개발하였다. 이 모델은 기존 AI 모델의 구조에서 특징 추출기와 분류기를 분리하고, 분류기가 영상 정보뿐 아니라 임상 정보 데이터도 함께 입력받도록 구성하였다. 기존 AI 모델로 ResNet50과 DenseNet121을 사용하였다. 결과: 총 804명의 난소 종양 환자가 포함되었으며, 양성 446명, 악성 358명이었다. 난소에 대한 골반 초음파 영상만을 사용했을 때 ResNet50은 AUC 0.84를, DenseNet121은 AUC 0.82를 나타내어 난소암을 탐지하였다. 그러나 분할된 고형 부분 영상과 임상 데이터를 난소 영상과 함께 결합했을 때, ResNet50은 AUC 0.95를, DenseNet121은 AUC 0.96을 나타내어 난소암을 탐지하는 데 더 높은 성능을 보였다. 시험 데이터셋을 사용한 결과, ResNet50과 DenseNet121의 민감도는 각각 90%와 81%, 특이도는 각각 93%와 97%, 양성예측도는 각각 92%와 95%, 음성예측도는 각각 92%와 86%였다. 결론: 골반 초음파 영상을 기반으로 한 딥러닝 알고리즘의 이진 분류 모델은 양성 및 악성 난소 종양을 정확하게 구분할 수 있다. 고형 부분의 분할과 진단 시 연령 및 CA-125의 임상 정보를 골반 초음파 영상과 결합하면 분류 모델의 정확도가 증가하였다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.