CT-IDP: 해석 가능한 복부 CT 질병 분류를 위한 분할 기반 정량 표현형
요약
본 연구는 MERLIN 복부 CT 벤치마크를 활용하여 'CT-IDP(CT Image-Derived Phenotypes)'라는 정량 표현형 프레임워크를 개발하고, 이를 Duke-Abdomen 및 AMOS 데이터셋에서 외부 평가했습니다. 이 프레임워크는 TotalSegmentator를 이용한 다기관 분할을 기반으로 형태 측정학적, 감쇠, 맥락적 소견 등 900개 이상의 장기/구획 수준 설명자를 추출합니다. 개발된 모델은 희소 로지스틱 회귀와 elastic-net 정규화를 사용하여 질병 분류에 적용되었으며, 기존의 비전 트랜스포머 기반 기준선 대비 우수한 성능(AUC 및 AP)을 입증했습니다.
핵심 포인트
- CT-IDP는 복부 CT 이미지에서 900개 이상의 정량적 표현형 설명자를 추출하는 프레임워크입니다.
- TotalSegmentator를 활용한 다기관 분할(Multi-organ segmentations)이 핵심 전처리 단계로 사용되었습니다.
- 모델은 희소 질병 특이 로지스틱 회귀와 elastic-net 정규화를 결합하여 분류 성능을 높였습니다.
- 개발된 CT-IDP는 MERLIN, Duke-Abdomen, AMOS 등 여러 외부 데이터셋에서 기존의 비전 트랜스포머 기준선보다 높은 AUC 및 AP를 기록하며 우수성을 입증했습니다.
본 후향적 다기관 연구에서, MERLIN 복부 CT 벤치마크(각각 학습, 검증 및 테스트 세트 - 15,175, 5,018, 5,082 연구)를 기반으로 정량 표현형 프레임워크인 CT-IDP (CT Image-Derived Phenotypes)가 개발되었으며, 두 개의 독립적인 데이터셋인 Duke-Abdomen (2,000) 및 AMOS (1,107)에서 외부 평가되었습니다. TotalSegmentator를 사용하여 다기관 분할(Multi-organ segmentations)이 생성되었고, 이를 통해 형태 측정학(morphometry), 감쇠(attenuation), 그리고 맥락적/부담 소견을 아우르는 900개 이상의 장기 및 구획 수준 설명자(descriptors)가 도출되었습니다. MERLIN에서 희소 질병 특이 로지스틱 회귀(sparse disease-specific logistic regression)를 elastic-net 정규화와 함께 학습시켰고, 이를 고정된 사양(frozen specification) 하에 외부 검증했습니다. 성능은 AUC 및 평균 정밀도(AP)를 사용하여 DINOv3 기반 비전 트랜스포머 기준선과 비교되었으며, 표현형 계층화 감사(phenotype-stratified audits)와 계수 수준 검사로 뒷받침되었습니다. CT-IDP의 Macro-AUC는 MERLIN에서 기준선 대비 0.897 대 0.880, Duke-Abdomen 데이터셋에서 0.877 대 0.857, AMOS에서 0.780 대 0.756을 기록했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기