AI 흉부 X선, 폐암 의심 진단 최적화

본 연구는 스코틀랜드 서부 지역에서 폐암 긴급 의심(USC)을 선별하기 위한 상용 흉부 X선(CXR) AI 알고리즘의 성능에 특징 선택 및 임계값 설정이 미치는 영향을 조사했습니다. 이를 위해 일반의 및 외래 환자 진료에서 수집된 2887개의 전향적 CXR 데이터셋과 983개의 후향적 검증 데이터셋을 활용했습니다. USC는 숙련된 영상의학과 전문의 패널의 블라인드 검토를 통해 도출된 참조 표준으로 사용되었습니다. 세 가지 특징 선택 접근 방식이 비교되었습니다: 임상 전문가가 선택한 특징에 상용 임계값을 적용하는 방식, 임상 전문가가 선택한 특징에 회귀 가중치를 적용하여 결합 점수를 도출하는 방식, 그리고 AIC 및 LASSO 회귀를 사용한 특징 선택 모델입니다. 성능은 Youden 지수와 15% 양성 플래그 비율의 두 가지 임계값에서 평가되었습니다. AIC 및 LASSO 회귀 기반 특징 선택은 임상 전문가가 선택한 5가지 특징(공동, 결절, 종괴, 폐문 비대, 종격동 확장)과 달리 4가지 특징(경화, 결절, 결핵, 공동) 모델을 도출했습니다. AIC/LASSO 모델은 가장 높은 민감도를 보였으나, 15% 플래그 비율 임계값에서 성능이 크게 저하되었습니다. 결합 점수에 대한 회귀 가중치 부여 방식은 개별 특징 임계값보다 우수한 성능을 나타냈습니다. 결론적으로, 본 연구에서는 전문가 기반 참조 표준에 대한 회귀 기반 특징 정제가 임상적으로 직관적인 선택보다 뛰어났습니다. 상용 CXR 알고리즘은 USC 감지를 위해 현지 보정 및 작업별 최적화가 필요하며, 통합 모델 임계값을 통해 양성 플래그 비율을 제한함으로써 워크플로우 및 출시 후 배포 고려 사항을 해결할 수 있습니다.