공초점 현미경 이미지 분석은 신생물 진단에 유용한 방법이다. 많은 애매한 사례는 육안으로 구별하기 어려우므로 관찰자 간 변이(inter-observer variability)가 높고, 이 방법을 학습하는 데 상당한 시간이 소요된다. 본 연구의 목적은 10× 배율의 결장 조직 공초점 현미경 이미지를 세 가지 범주(신생물, 염증, 정상 조직)로 분류하는 딥러닝 기반 신생물 분류 모델을 개발하는 것이다. 제한된 학습 데이터로 효율적으로 모델을 학습하기 위해 데이터 증강(data augmentation)과 전이 학습(transfer learning) 접근법을 적용한 ResNet50을 사용하였다. 또한 분류에 주요한 영향을 준 영역이 무엇인지를 확인하기 위해 전역 평균 풀링(global average pooling)을 사용하여 클래스 활성화 맵(class activation map)을 생성하였다. 제안된 방법은 81%의 정확도를 달성하였으며, 이는 세 가지 기계 학습 기반 방법보다 14.05% 더 높았고, 네 명의 내시경 전문의가 내린 예측보다 22.6% 더 우수하였다. 데이터 증강과 전이 학습을 적용한 ResNet50은 공초점 현미경 이미지에서 신생물, 염증, 정상 조직을 효과적으로 식별하는 데 활용될 수 있다. 제안된 방법은 세 가지 기계 학습 기반 방법보다 성능이 우수하였고, 결과에 주요한 영향을 미친 영역을 확인하였다. 제안된 모델을 진단을 위한 공초점 현미경 이미지 분석에 함께 사용하면 관찰자 간 변이와 학습에 필요한 시간을 줄일 수 있다.

배경/목적: 결장 폴립의 조기 발견 및 제거는 대장암 예방에 핵심적이다. 컴퓨터 보조 진단(Computer-aided detection, CADe) 시스템은 대장내시경 동안 폴립 발견률(polyp detection rate, PDR)을 높이기 위해 도입되었으며, 이를 통해 대장내시경의 효과를 향상시킬 가능성이 있다. 본 연구는 대장 및 직장 신생물(colorectal neoplasm) 발견에서 CADe 시스템의 효능을 평가하고자 하였다. 방법: 본 전향적 무작위 대조 시험은 두 개의 3차 의료기관에서 수행되었으며(2023년 5월~2025년 4월), 환자를 무작위로 CADe 또는 통상적 대장내시경에 배정하고 선별, 감시 또는 진단 목적의 대장내시경을 시행하였다. 1차 평가변수는 선종 발견률(adenoma detection rate, ADR)이며, 2차 평가변수는 PDR, 폴립 발견의 상대위험도(relative risk, RR), 대장내시경 1회당 선종 수(adenomas per colonoscopy, APC), 그리고 선종 발견에 영향을 미치는 요인들이었다. 결과: 등록된 1,004명의 환자 중 998명이 무작위로 CADe 및 통상적 대장내시경 군에 배정되었고(각각 497명, 501명), CADe 군이 더 많은 폴립 수를 보였다(대장내시경 1회당 2.2개 vs 1.4개; p<0.001) 및 APC 값이 더 높았다(1.2 vs 0.8; p<0.001). CADe 군은 유의하게 더 높은 PDR(72.2% vs 54.5%; p<0.001; RR, 2.173; 95% 신뢰구간[CI], 1.669~2.828)과 ADR(52.3% vs 36.1%; p<0.001; RR, 1.940; 95% CI, 1.505~2.499)을 보였다. 또한 CADe는 증식성 폴립의 발견률을 유의하게 증가시켰다(p=0.007; RR, 1.474; 95% CI, 1.113~1.952). 더불어 모든 크기와 위치에서의 발견률도 증가하였다. 다변량 분석에서 CADe 사용은 선종 발견의 가장 강력한 독립 예측인자였으며(odds ratio, 1.914; 95% CI, 1.467~2.496), 남성 성별, 고령, 진단 적응증, 및 회수 시간(withdrawal time)을 상회하였다. 결론: 실시간 CADe 보조 대장내시경은 PDR과 ADR을 유의하게 증가시켰고, 선종 발견의 강력한 독립 예측인자로 입증되었다(cris.nih.go.kr, KCT0009664).