본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 1

Abstract 3

Contents 7

List of Abbreviations 11

Chapter 1. Introduction 12

Chapter 2. Materials and Methods 16

1. Development of a grading system 16

1.1. Study design and patients 16

1.2. Anterior segment image capture technique 16

1.3. NEI scoring method 16

1.4. Overall system development procedure 19

1.5. External validation 25

1.6. Serial data analysis 25

1.7. Statistical analysis 26

2. Validation of the system as CDSS (Reader study) 27

2.1. Validation set establishment 27

2.2. CDSS for DED severity assessment 27

2.3. Participants for the reader study 30

2.4. Overall reader study procedure 30

2.5. Main outcome measures 30

2.6. Statistical analysis 31

Chapter 3. Results 32

1. Development of a grading system 32

1.1. Patient and image characteristics 32

1.2. Results of segmentation and classification model 39

1.3. Internal and external validations 43

1.4. Serial data analysis 45

2. Reader study results 46

Chapter 4. Discussion 53

1. Key findings and contributions 53

2. Comparison with previous studies 55

3. Limitations 56

Chapter 5. Conclusion 61

References 62

국문 초록 66

List of Tables 9

Table 1. Diagnosis of the patients in the development (hospital 1) and external validation (hospital 2) datasets 33

Table 2. Agreement in corneal fluorescein staining (CFS) scores based on the National Eye Institute (NEI) among... 36

Table 3. Agreement of corneal fluorescein staining (CFS) score based on National Eye Institute (NEI) scale among... 37

Table 4. Agreement between the entire model and ground truth data... 45

Table 5. ICC and accuracy by deep learning system of 48 images... 46

Table 6. ICC among examiners of session 1 and session 2 according to each zone 47

Table 7. Accuracy of session 1 and session 2 according to each zone 48

Table 8. ICC and accuracy of session 1 and session 2 in junior (〈5Y) and senior (≥5Y) ophthalmologists by zone 52

Table 9. Outlier cases showing low correlation between MDV and... 58

List of Figures 10

Figure 1. Corneal segmentation and scoring method 18

Figure 2. Diagram of the proposed deep learning system 20

Figure 3. Schematic diagram of dataset splitting for deep learning... 22

Figure 4. Examples of PEE and non-PEE labeling generated using Microsoft paint software 24

Figure 5. Captured examples with or without CDSS from the same... 28

Figure 6. CDSS overlapping function in 0 (A), 50 (B), and 100 (C) 29

Figure 7. Ground truth NEI score of the development dataset (hospital 1 data) at each zone (A) and total NEI score... 34

Figure 8. (A) Correlation between median NEI score and MDV, and (B) correlation between mean NEI score and MDV... 38

Figure 9. Examples of the training dataset, input, and final output used in the corneal segmentation 40

Figure 10. Illustration of classification model and density map results 42

Figure 11. Correlation between total NEI score and MDV 44

Figure 12. (A-D) Examples of original images and color-coded... 50

Figure 13. Examples of outlier cases showing low correlation... 57

Figure 14. Examples of anterior segment images from (A) hospital 1... 59

초록보기

배경: 건성안은 가장 흔한 안과 질환 중 하나로, 안구 불편감과 시각 장애를 유발해 삶의 질에 큰 영향을 미칠 수 있다고 알려져 있다. 각막형광염색점수를 정확하게 평가하는 것은 질병의 진단, 치료 및 추적에 필수적이다. 하지만 현재 사용되고 있는 National Eye Institute (NEI) 척도를 포함한 건성안 중증도 평가 시스템은 주관적이며, 평가자에 의존하기 때문에 평가자 간 및 평가자 내 차이가 발생할 수 있다. 이에, 본 연구에서는 NEI 척도를 기반으로 한 임상적으로 적용 가능한 딥러닝 기반 완전 자동화된 건성안 중증도 평가 시스템을 개발하고, 딥러닝 기반 임상의사결정 지원 시스템의 효용성을 검증하고자 하였다.

방법: 딥러닝 기반 건성안 중증도 평가 시스템 개발을 위해 2019년부터 2021년까지 시스템 개발을 위한 서울대병원의 각막 형광염색사진(1400장)과 외부 검증을 위한 분당서울대병원의 각막형광염색사진(94장)을 수집하여 건성안 중증도를 예측하기 위한 딥러닝 알고리즘 개발에 사용하였다. 세 명의 전문가가 NEI 척도를 기준으로 각막형광염색사진을 0-15점으로 평가하였으며, 중간값을 참값으로 사용하였다. 시스템 개발은 다음과 같이 세 단계로 진행되었다. 1단계: 1100장의 각막형광염색사진을 이용하여 U-Net 모델 훈련을 통해 각막 영역 분할 모델을 개발하였다. 2단계: 200장의 각막형광염색사진에서 192×192 픽셀 크기의 24,559개의 패치를 사용하여 ImageNet으로 사전 학습된 VGG16 모델로 1단계의 각막 영역에서 점상각막미란 영역 분류 모델을 개발하였다. 3단계: Blob 탐지 알고리즘을 사용하여 점상각막미란을 자동으로 탐지하고, 점상각막미란 밀도 지도를 생성하였고, 이를 기반으로 5개의 구역의 maximum density value를 합산하여 NEI 척도 점수를 계산하였다. 또한, 임상적 효용성 확인을 위해, 서로 다른 시기에 동일안에서 촬영된 두 사진(총 50안, 100장)을 비교하여 시스템이 건성안 중증도의 개선 혹은 악화를 정확히 평가하는지 확인하였다. 개발된 딥러닝 시스템이 임상의사결정 지원 시스템으로써 효용성이 있는지 검증하기 위해 13명의 안과 의사가 NEI 척도를 기반으로 48개의 전안부 사진을 1주의 washout 기간을 두고 두 번의 세션에서 평가하는 리더 연구를 수행하였다. 첫 번째 세션에서는 이미지만을 이용하여 건성안 중증도를 평가했으며, 두 번째 세션에서는 임상의사결정 지원 시스템의 도움을 받아 평가를 진행하였다. 임상의사결정 지원 시스템의 성능을 평가하기 위해 검사자 간의 급내상관계수와 정확도를 분석하였다. 또한, 임상경험에 따라 검사자를 두 군으로 나누어 (주니어 안과 전문의(<5년), 시니어 안과 전문의(≥5년)) 군 간의 차이를 비교하였다.

결과: 각막 영역 분할 모델의 Dice 계수는 0.962이었다. 임계값은 0.98로 설정하였고, 이 때 점상각막미란 영역 분류 모델은 정확도 0.89, 민감도 0.82, 특이도 0.96, 곡선 아래 면적 0.97의 수치를 보였다. 내부 및 외부 검증 데이터셋에 대한 시스템과 참값 간의 상관계수는 각각 0.868 (p<0.001) 및 0.863 (p<0.001)이었다. 동일안에서 건성안 중증도의 개선 혹은 악화 여부를 정확히 평가하는지에 대한 시스템과 참값 변화 간의 일치율은 88%(44/50)이었다. 리더 연구에서 임상의사결정 지원 시스템을 사용한 경우 모든 영역에서 ICC 값이 증가하였으며, 범위는 0.0638에서 0.1424이었다. 정확도 또한 0.0638에서 0.1424 범위로 유의하게 향상되었다. 각 세션 내에서나 세션 간에서 주니어와 시니어 안과 전문의 간의 급내상관계수와 정확도에는 차이가 없었다.

결론: 완전 자동화된 딥러닝 기반 건성안 중증도 평가 시스템은 높은 정확도로 각막형광염색점수를 평가할 수 있다. 또한, 딥러닝 기반 임상의사결정 지원 시스템은 건성안 중증도 평가에서 검사자의 정확도와 일관성을 향상시키며, 이는 시스템의 임상 적용 가능성을 높이고 건성안 중증도 평가의 표준화에 도움이 될 수 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기