목적: 초저선량 흉부 전산화단층촬영(low-dose chest computed tomography, LDCT)을 이용한 폐기종 정량에서 임상적으로 관련 있는 딥러닝 알고리즘을 초청 기반 경진대회를 통해 확인하고자 하였다. 재료 및 방법: 한국영상의학정보학회(Korean Society of Imaging Informatics in Medicine, KSIIM)는 2020년 11월 24일부터 2021년 1월 26일까지 폐기종 정량 챌린지를 개최하였다. 총 7개 초청 연구팀이 이 챌린지에 참여하였다. 9개 병원으로부터 전향적 또는 후향적으로 총 558쌍의 전산화단층촬영(computed tomography, CT) 영상(훈련 세트 468쌍, 테스트 세트 90쌍)을 수집하였다. CT 촬영은 실제 임상 환경을 반영하기 위해 각 병원의 프로토콜을 따랐다. 훈련 세트를 사용하여 각 팀은 LDCT의 픽셀 값을 표준선량 CT(standard-dose CT, SDCT)의 그것과 같도록 변환하는 방식으로, 변환된 LDCT를 생성하는 알고리즘을 개발하였다. SDCT와 LDCT 간의 일치는 저감쇠 영역의 백분율인 -950 HU 미만(LAA-950 HU)에 대해 급내상관계수(intraclass correlation coefficient, ICC; 2-way random effects, absolute agreement, single rater)로 평가하였고, 폐기종 분류(LAA-950 HU, <5%, 5%~10%, 및 ≥10%)에 대해서는 κ 값으로, 그리고 LAA-950 HU의 코사인 유사도(cosine similarity)로 평가하였다. 결과: 테스트 세트에서 LAA-950 HU의 평균은 SDCT에서 14.2%±10.5%, 변환되지 않은 LDCT에서 25.4%±10.2%였으며, 변환된 LDCT에서는 상위 3개 팀이 각각 12.9%±10.4%, 11.7%±10.8%, 12.4%±10.5%였다. 1위 팀의 SDCT와 변환된 LDCT 간 일치는 ICC에 대해 0.94(95% 신뢰구간: 0.90, 0.97), 범주형 일치(categorical agreement)에 대해 0.71(95% 신뢰구간: 0.58, 0.84), 코사인 유사도에 대해 0.97(사분위범위: 0.94~0.99)였다. 결론: LDCT를 이용한 폐기종 정량은 딥러닝 기반 CT 변환 전략을 통해 가능하였다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.