rrimyuu 님의 블로그

Paper review | Radiomics in stroke neuroimaging: techniques, applications, and challenges 본문

카테고리 없음

Paper review | Radiomics in stroke neuroimaging: techniques, applications, and challenges

rrimyuu 2024. 8. 13. 19:18

Introduction 

  • Stroke is a vascular event characterized by a sudden onset of focal neurologic deficits in the relevant part of the central nervous system, including ischemic stroke, intracerebral hemorrhage (ICH), and subarachnoid hemorrhage (SAH)
    -> 뇌졸중은 신경학적 결손이 나타나는 혈관 사건으로, 허혈성 뇌졸중, 뇌내 출혈(ICH), 지주막하 출혈(SAH) 등을 포함
  • 전 세계적으로 뇌졸중은 사망과 장애의 주요 원인 중 하나로, 뇌졸중 이후 치료에 상당한 경제적 비용이 소요.
  • 인구 증가 및 고령화로 뇌졸중 부담 더욱 커질 것으로 예상.
  • CT (X-ray computed tomography) 나 MRI (magnetic resonance imaging)  같은 신경영상은 임상 실습과 연구에서 뇌졸중 분석에서 중요한 역할을 함.
  • 급성 허혈성 뇌졸중(AIS)에서, 최근의 임상 시험 결과는 이미징 특징을 치료 대상 선정 기준 (criteria for selection of subjects for therapy) 으로 사용함으로써, 정맥 내 알테플라제 (intravenous alteplase) 와 비교하여 혈관내 혈전제거술 (endovascular thrombectomy) 의 효과가 향상되었음을 확인.
  • 신경영상에 의해 결정된 관류-확산 불일치 (perfusion-diffusion mismatch) 는 지연된 개입 (delayed interventions) 에 대한 좋은 잠재력을 보여주었으며 목표-피질에 대한 혈전용해 치료 (thrombolytic treatment for target-penumbra) 를 4.5시간 지점 이후에도 시행할 수 있었음.
  • 급성 ICH에서, ATACH, INTERACT, SPOT-AUST와 같은 몇 가지 무작위 임상 시험이 수행되어, 기초 신경영상 마커( baseline neuroimaging markers) 를 이용해 조기 혈종 성장 위험이 높은 (high risk of early hematoma growth) 환자의 예후를 개선하는 목표를 가지고 있음.
  • ML 분야 발전 -> 주관적인 시각적 해석을 이미지 데이터를 기반으로 한 객관적인 평가로 변환할 수 있게 해줌.
  • 방사선학(Radiomics) 등장. 방사선학은 생물의학 이미지를 객관적이고 재현 가능하며 고처리량의 방식으로 많은 수의 정량적 특징(예: 형태, 강도, 질감 등)을 추출하는 컴퓨터 지원 과정 (computer-aided process)
  • 디지털 암호화된 이미지가 특정 질병의 병태생리와 관련된 생물학적 정보를 포함하고 있음. 이 정보를 정량적 이미지 분석을 통해 활용할 수 있다는 개념에서 비롯됨.
  • 방사선학 데이터는 인구통계학적, 임상적, 조직학적 또는 유전체 데이터와 같은 다른 의료 정보와 결합하여 치료 의사결정 지원 시스템에 사용될 수 있으며, 이를 통해 정밀 의학의 발전을 가속화할 수 있음.
  • 방사선학은 뇌졸중의 다양한 응용 분야에서도 잠재력을 보여주며, 초기 단계에서 개인 맞춤형 관리에 기여하고 있음. 

1. Radiomic workflow and techniques

방사선학(Radiomics)은 의료 이미지를 수많은 방사선학적 특징으로 변환하여 다중 모드 데이터 소스 간의 정량적 관계를 설정하는 고처리량 과정임. 이러한 정량적 관계는 조기 진단이나 정확한 예후 예측과 같은 임상적으로 중요한 문제를 해결하는 데 기여할 것으로 기대되며 치료 결정의 개선에 도움이 됨. 방사선학 분석은 이미지 데이터 획득 (image data acquisition), 분할 (segmentation), 특징 추출 (feature extraction), 탐색적 분석 (exploratory analysis), 모델링 등 연속적인 하위 과정들 (continuous subprocesse) 의 스펙트럼을 포함. 

Flowchart shows the typical process of radiomics in stroke neuroimaging. (A) Example CT image of an intracerebral hemorrhage and (B) example MR image of a patient with ischemic stroke.
 

1.1. Image data acquisition

  • 방사선학은 디지털 이미징으로 시작됨. 모든 이미징 모달리티(예: CT, MRI, PET, 초음파)에 적용될 수 있지만, CT가 가장 일반적으로 사용되는 기술임.
  • 특히 뇌졸중에서 유용한데, 비조영제 CT(non-contrast CT, NCCT)는 신속하게 두개내 출혈 (intracranial hemorrhage) 의 존재를 확인할 수 있기 때문임.
  • 충분한 이미징 데이터 소스는 통계적 추론에 유리하지만, 이미징 프로토콜의 이질성(heterogeneity) 은 추출된 특성의 품질과 라디오믹 모델에 예기치 않은 영향을 미칠 수 있음. 
  • CT 이미지에 관한 최근 연구들에 따르면, 대부분의 라디오믹 특성은 이미지 획득 및 재구성 매개변수에 크게 영향을 받아 재현성 (nonreproducible) 이 없을 수 있음. 
  • 팬텀 연구 결과에 따르면, 서로 다른 제조사에서 제작된 다양한 스캐너들이 라디오믹 특성 값에 변동성을 유발할 수 있음. 또한, 슬라이스 두께 (slice thickness) 와 회색조 이산화의 bin width (bin width of gray-level discretization) 또한 이러한 변동을 초래함. 
  • 라디오믹 특성의 안정성을 향상시키기 위해 회색조 및 복셀 크기 정규화 (normalization of the gray-level and voxel size) , 또는 픽셀 크기 재샘플링 (resampling of the pixel size to minimize feature dependency on voxel size) 과 같은 전처리 기술이 계속해서 연구되고 있음. 현재까지의 발전은 특정 질병이나 질병의 이미징 모달리티에 한정되어 있음. 
  • 현재까지, 허혈성 또는 출혈성 뇌졸중에서 CT로 얻어진 라디오믹 특성의 안정성 및 재현성 (stability and reproducibility) 에 대한 증거는 부족함. 라디오믹 특성의 견고성 (robustness) 과 라디오믹스 연구 간의 비교 가능성 (comparability) 은 표준화된 이미징 프로토콜의 광범위한 공개를 통해서만 달성될 수 있다는 점을 유의해야 함. 

1.2. Segmentation 

  • 분할(segmentation)은 관심 있는 병변 (lesion) 을 주변의 정상 조직에서 분리하는 작업임. 이는 라디오믹스 워크플로우에서 가장 중요한 단계로, 이미징 내에서 분석할 영역과 라디오믹 특성을 생성할 위치를 결정하기 때문임. 
  • 일반적으로 ROI의 분할은 3차원(3D)으로 수행됨. 즉, 전체 병변을 추출하고 분석하지만, 단일 슬라이스에서 2D 분석도 수행할 수 있음.
  • 병변 정보를 얼마나 활용해야 라디오믹 분석에서 신뢰할 수 있는 결과를 얻을 수 있는지는 알려져 있지 않음.
  • 3D 라디오믹스는 공간적으로 이질적이고 큰 볼륨을 가진 병변에 대해 더 많은 정보를 제공할 수 있음. 그러나 볼륨 기반 평가는 시간과 노력이 많이 들며, 더 중요한 것은 여러 이미지 슬라이스에서 ROI를 분할함으로써 라디오믹 특성의 불안정성을 초래할 위험이 증가함. 
  • 뇌졸중을 포함한 다른 질환에서는 3D ROI가 2D ROI보다 우수하다는 증거는 거의 없음. 두 가지 방법의 장단점을 고려할 때, 분할 과정에서 효율성에 더 많은 주의를 기울여야 함. 
  • 분할 기술에는 수동 (manual), 반자동 (semi-automatic), 완전 자동 (fully automatic) 방법이 포함됨.
    1) 수동 분할은 시간이 많이 걸리고, 관찰자의 간섭 변동 (inter-operator variability) 을 최소화하기 위해 훈련된 관찰자가 필요함. 병변의 경계가 불명확하거나 같은 슬라이스에서 여러 병변이 관찰될 경우, 수동 분할을 여러 번 적용하여 정확성 (accuracy) 과 재현성 (reproducibility) 을 보장할 수 있음. 
    2) 반자동 또는 완전 자동 분할은 각 방법이 더 재현 가능하고 빠르게 ROI에서 신뢰할 수 있는 특성을 관찰할 수 있게 해 주기 때문에 매력적임.
    - (public competiton) 허혈성 뇌졸중 병변 분할(The Ischemic Stroke Lesion Segmentation, ISLES) 챌린지는 자동화 도구 개발을 촉진. (http://www.isles-challenge.org/). 현재 MR 이미지에서 경색 핵심 또는 주변 경색의 분할은 기계 학습을 통해 반자동 또는 완전 자동으로 수행할 수 있음.
    - CT 이미지의 ICH에 대해, 랜덤 포레스트 및 오픈 소스 소프트웨어(예: 3D-Slicer)를 기반으로 한 자동화된 분할 알고리즘은 기존의 ABC/2 공식보다 출혈량을 더 정확하게 측정하는 것으로 나타났음.
  • 현재, 컴퓨터 보조 엣지 감지에 수동 검토를 추가하는 것이 높은 재현성을 가진 이상적인 분할 방법으로 간주됨. 

1.3. Feature extraction

다양한 양적 특성 (quantitative features) 들이 다중 모달 이미징에서 추출될 수 있으며, 이러한 특성은 넓게는 의미 기반 메트릭 (semantic metrics) 과 무관 메트릭 (agnostic metrics) 으로 분류됨.

  1. semantic metrics : 육안으로 포착할 수 있는 특성의 집합을 의미하며, 병변의 외관적 특성을 설명하는 데 사용됨.  round (원형), oval (타원형), and lobulated (구조화된) 등 형상은 병변의 불규칙성 (irregularity) 을 판단하는 데 도움이 되는 의미 기반 설명자 (semantic descriptor) 임. 다른 의미 기반 설명자에는 size, location, and vascularity 가 포함됨. 
  2. agnostic metrics 는 수학적 알고리즘을 통해 계산되며, 라디오믹스의 주요 특성을 구성함. 시각적 해석을 통해 얻을 수 없음. 일반적으로 1차, 2차 및 고차 통계 측정 (first-, second-, and high-order statistical measures) 을 포함함. 
    - (First-order statistical measures) 주어진 ROI의 픽셀 강도 히스토그램 (pixel intensity histogram) 에서 회색조 빈도의 분포 (gray-level frequency) 를 설명하며, 픽셀 간의 공간적 상관관계를 고려하지 않음. (예: 최대값, 중앙값, 왜도 - skewness, 균일성 - uniformity).
    - (Second-order stastical measures) 텍스처 특성은 픽셀 강도 (pixel intensityt) 와 공간적 상관관계 (거리 또는 방향, distance or orientation)를 모두 고려함. 텍스처 분석은 병변 내 이질성 (heterogeneity within a lesion) 을 정량화할 수 있어 라디오믹스에서 가장 널리 사용되는 특성임. 텍스처 특성에는 공분산 행렬 기반의 엔트로피 (co-occurrence matrix based entropy), 동질성 (homogeneity), 비슷하지 않음 (dissimilarity), 상관성 (correlation) 등이 포함됨. 
    - (High-order stastical measures) busyness, contrast, and 거칠기 (coarseness) 등은 3개 이상의 픽셀 간의 관계를 고려하는 행렬을 기반으로 계산됨. 
    - (High-order statistical methods based on image filtration) 웨이블릿 변환 (Wavelet-transformed) 과 라플라시안-가우시안 밴드패스 필터 (Laplacian of Gaussian bandpass filters) 가 가장 일반적으로 사용되는 두 가지 기술임.
     - (Wavelet-transformed) 공간 정보를 주파수 및/또는 스케일 정보로 변환하여 선형 또는 방사형 파동의 방향에서 웨이블릿 특성을 추출할 수 있음.
    -  (Laplacian of Gaussian bandpass filters) 지정된 ROI에서 다양한 거칠기 수준의 텍스처 특성을 추출하며, 노이즈를 제거하고 이미지의 경계를 강화할 수 있음. 

Texture in radiomics. (A) A stylized gray-level image (5 x 5 pixels) with grey values ranging from 0 (black) to 5 (white) and its derived gray-level co-occurrence matrix (GLCM) in horizontal (B), vertical (C), and oblique (D) directions. Row and column numbers in the GLCM represent corresponding gray values, while cells in white contain the number of times corresponding gray values occurs adjacent to each other in three directions. For example, the frequency of gray values of 0, 2, and 3 (red arrows on the gray-level image) is then mapped onto corresponding cell of GLCM (red circles) each time they occur adjacent to each other in particular direction. In texture analysis, GLCM represents spatial interrelationship between pixels within a digital image.

1.4. Exploratory analysis and modeling

다양한 추출 기법을 최대한 활용하면 이론적으로 라디오믹스 특성의 양은 무한할 수 있음. 그러나, 특성 간의 중복 위험 (increased risk of redundancy among features) 이 증가하면 과적합 (overfitting) 이 발생할 수 있어 모델의 일반화 (generalization) 및 견고성 (robustnesS) 이 저하될 수 있음. 따라서 모델링 전에 탐색적 분석 (exploratory analysis) 을 수행해야 함. 

 

1.4.1. Feature selection

  • (클러스터링 분석) 내부 특성 선택 방법으로는 클러스터링 분석이 첫 단계로 사용될 수 있음. 이 방법은 상관관계가 높은 라디오믹스 특성을 클러스터별로 원형 특성으로 단순화할 수 있어 데이터의 일반적인 분포 경향을 드러냄.
  • 데이터 세트가 여러 개 있는 경우 (두 개 이상), 클래스 내 상관 계수(intraclass correlation coefficient, ICC)를 사용하여 안정적인 특성(ICC > 0.8)을 탐지하고 ROI 분할의 변동에 민감한 특성은 제외함.
  • 외부 선택 과정에서는 라디오믹스 데이터가 잘 정의된 종단점(endpoints)이 있는 예측 모델과 함께 다른 관련 임상 데이터와 분석되어야 함. 임상 특성과 높은 상관관계를 가진 라디오믹스 특성은 추가 정보를 제공하지 않으므로 모델링 전에 제외해야 함. 임상 종단점에 따라, Student’s t-test나 Mann-Whitney test와 같은 단변량 필터가 특성을 품질에 따라 분류할 수 있음. 
  • 최소 절대 축소 및 선택 연산자(LASSO)는 차원 축소에 일반적으로 사용되는 방법으로, 모델링을 위한 여러 유용한 특성을 선택할 수 있음. .

1.4.2. Modeling 

  • 궁극적인 목표는 임상 결과를 예측하기 위한 실용적이고 정확한 모델을 구축하는 것임. (예: 뇌졸중 후 사망 - post stroke death).
  • 기존 데이터 세트의 잠재력을 최대한 활용하고 최적의 모델을 탐색하기 위해 임상 데이터가 라디오믹스 데이터와 함께 모델링 과정에 추가되어야 함. 또한, 여러 기계 학습 기반 모델링 기술을 사용할 수 있음. 
  • (supervised learning) 서포트 벡터 머신, 인공 신경망, 랜덤 포레스트는 대량의 훈련 샘플 내에서 임상 레이블을 미리 정의해야 하는 감독 학습 방법임. 이후, 훈련된 모델은 성능 평가를 위해 테스트 세트에 소개됩니다. 
  • (unsupervised learning) k-평균 클러스터링 은 임상 레이블 없이 제한된 샘플 크기를 사용하여 모델을 구축할 수 있음. 그러나 이 모델의 성능은 충분히 레이블이 부착된 데이터에 의해 제한됨. 
  • (semi-supervised learning) 높은 성능과 낮은 샘플 요구 사이의 균형을 맞추기 위해 이 방법이 개발되고 있음. 이 방법은 모델링 과정을 감독 모델 훈련 단계와 비감독 특성 학습 단계로 나누어 감독 학습과 비감독 학습 간의 균형을 이룸. 라디오믹스 분석에서 모델링 기법의 선택은 중요하며, 서로 다른 기법이 모델 성능에 차이를 유발할 수 있음. 
    -> 따라서 데이터 마이닝에는 여러 기계 학습 알고리즘을 사용한 후, 최적의 알고리즘을 모델링에 사용하는 것이 좋음. 

1.4.3. Validation 

  • 예측 모델 구축시 검증 필수적.
  • 내부 및 외부 데이터 세트를 통해 수행 가능함.
  • 내부 검증보다 외부 검증된 모델을 더 신뢰. 독립적으로 얻은 데이터가 검증을 강화할 수 있기 때문임.
  • 모델 성능은 일반적으로 두 가지 속성으로 특징지어짐. 
    - 판별력 (discrimination) : 모델이 높은 위험을 가진 사람과 낮은 위험을 가진 사람을 얼마나 잘 구별하는지를 나타내며, 일반적으로 수신자 조작 특성(ROC) 곡선을 통해 측정됨. ROC 곡선에서 곡선 아래 면적(AUC), 민감도(sensitivity), 특이도(specificity)가 가장 일반적으로 사용되는 지표임. 
    - 교정 (calibration) : 모델의 예측 위험과 관찰된 위험 간의 일치를 측정하며, 시각적 방법(교정 곡선) 또는 통계적 테스트(예: Hosmer-Lemeshow test)로 보고될 수 있음.
    -> 신뢰할 수 있고 적용 가능한 모델은 우수한 판별력과 교정을 가져야 하며, 훈련 데이터와 검증 데이터 간의 통계적 일관성을 보여야 함.

2. Applications of radiomics in stroke

  • 라디오믹스의 도입으로, 정량적 이미지 분석이 제공하는 추가 정보는 전통적인 방사선학적 특성에 중요한 보충 자료가 되었으며, 이는 종양학에서 정밀 진단 (precision diagnosis and treatment in oncology) 및 치료의 발전을 가속화하고 있음. 최근 몇 년 동안 연구자들은 암 관리에서 얻어진 이점과 유사한 혜택을 얻기 위해 뇌졸중에 라디오믹스를 적용하려고 시도해왔음.
  • 라디오믹스 데이터는 뇌졸중 환자의 조기 의사 결정을 개선할 것으로 기대됨. 현재 허혈성 및 출혈성 뇌졸중 두 분야 모두에서 일부 진전을 이루었으며, 이러한 적용은 주로 3가지 측면으로 나눌 수 있습니다: 뇌졸중 병변의 진단 (diagnosis of stroke lesion), 조기 결과 예측 (prediction of early outcome), 그리고 장기 예후 평가 (long-term prognosis evaluation) 임. 

2.1. Applications in ischemic stroke

허혈성 뇌졸중 (ischemic stroke) 을 일과성 허혈 발작 (transient ischemic attack) 과 구별하기 위해, 허혈성 뇌졸중의 업데이트된 정의는 신경학적 결핍이 24시간 이상 지속 (neurologic deficit lasting longer than 24 h) 되거나 증상과 직접적으로 관련된 경색의 이미징 증거(CT 및/또는 MRI)가 있는 급성 에피소드 (acute episode) 임. 허혈성 뇌졸중은 모든 뇌졸중 사례의 약 85%를 차지하는 주요 아형이며, 뇌졸중 환자의 삼분의 일이 영구적인 장애를 겪게 됨.

2.1.1. Diagnosis of stroke lesions 

  1. Oliveira et al. [56]은 10명의 성별 및 연령이 일치하는 피험자(5명 환자, 5명 대조군)에서 양적 텍스처 분석을 수행하여 건강한 조직과 급성 허혈성 뇌졸중(AIS)의 영향을 받은 지역을 구별했습니다. 그들은 회색 수준 공출현 행렬(GLCM) 기반의 조직 텍스처 매개변수가 환자와 대조군 간에 유의미하게 다르며, 가장 차별적인 특성이 각도 제곱 모멘트였음을 발견했습니다. 
    Oliveira MS, Fernandes PT, Avelar WM, Santos SL, Castellano G, Li LM (2009). Texture analysis of computed tomography images of acute ischemic stroke patients. Braz J Med Biol Res, 42:1076-1079. [PubMed] [Google Scholar]
  2. 또 다른 연구에서는 139명의 초급성 허혈성 뇌졸중 환자(< 8시간)에서 NCCT 이미지에서 6개의 텍스처 특성을 식별하여 허혈성 병변과 대칭측 정상 조직을 구별할 수 있음을 확인했습니다 [57]. 3개의 감독 기계 학습 알고리즘(서포트 벡터 머신, 결정 트리, 아다부스트)으로 구성된 분류 모델은 평균 AUC 0.82를 달성했습니다. 또한, 뇌졸중 병변의 크기와 분류기 유형이 모델 성능에 영향을 미치지 않는다는 것을 발견했습니다.
    eter R, Korfiatis P, Blezek D, Oscar Beitia A, Stepan-Buksakowska I, Horinek D, et al. (2017). A quantitative symmetry-based analysis of hyperacute ischemic stroke lesions in noncontrast computed tomography. Med Phys, 44:192-199. [PMC free article] [PubMed] [Google Scholar]

2.1.2. Prediction of early outcomes 

  1. Kassner et al. [60]은 후대조 T1 강조 MR 이미지에서 텍스처 매개변수와 시각적 증강 점수 간의 조기 출혈 변환 예측 능력을 평가하는 비교 연구를 수행했습니다. 텍스처 특성(대조 및 상관관계)은 시각적 증강 증거(AUC < 0.6)보다 출혈 변환을 예측하는 데 더 우수했으며, AUC가 0.75를 초과했습니다. 이 결과는 텍스처 분석이 혈전용해 치료로 가장 큰 이점을 얻을 수 있는 적합한 환자를 선택하는 데 도움이 될 수 있음을 시사합니다. 내부 경동맥과 M1 중대뇌동맥 세그먼트의 혈전에서는 이들 근위 두개내 동맥 세그먼트에서의 재관류가 드뭅니다. 
    Kassner A, Liu F, Thornhill RE, Tomlinson G, Mikulis DJ (2009). Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images. J Magn Reson Imaging, 30:933-941. [PubMed] [Google Scholar]
  2. Qiu et al. [61]은 67명의 AIS 환자에서 정맥 주사 알테플라제를 투여한 후, 대형 혈관의 근위 폐쇄 후 조기 재관류를 예측하기 위해 라디오믹스 분석을 수행했습니다. 그들은 NCCT, CTA 및 라디오믹스 변화(즉, CTA-NCCT)에서 파생된 라디오믹스 특성의 조합이 전통적인 혈전 이미징 특성(길이, 부피, 투과성)보다 조기 재관류를 더 잘 예측한다고 결론지었습니다(AUC = 0.85).
    Qiu W, Kuang H, Nair J, Assis Z, Najm M, McDougall C, et al. (2019). Radiomics-Based Intracranial Thrombus Features on CT and CTA Predict Recanalization with Intravenous Alteplase in Patients with Acute Ischemic Stroke. AJNR Am J Neuroradiol, 40:39-44. [PMC free article] [PubMed] [Google Scholar]

2.1.3. Evaluation of long-term prognosis 

  1. Tang et al. [62]이 수행한 다기관 연구(n = 155)는 허혈성 뇌졸중 환자(< 9시간)의 나타나는 확산 계수와 뇌 혈류 맵에서 페넘브라와 핵심 영역을 정량화하기 위해 라디오믹스 분석을 적용했습니다. 외부 데이터 세트에서 구축된 라디오믹스 노모그램은 7일 및 3개월 후의 유리한 임상 결과를 강력하게 예측할 수 있었으며, AUC는 각각 0.88 및 0.77이었습니다. 따라서 연구자들은 라디오믹스가 현재 시간 창을 넘어서서 혈전용해 치료를 위한 환자 선택 가능성을 가지고 있다고 결론지었습니다. 
    Tang TY, Jiao Y, Cui Y, Zhao DL, Zhang Y, Wang Z, et al. (2020). Penumbra-based radiomics signature as prognostic biomarkers for thrombolysis of acute ischemic stroke patients: a multicenter cohort study. J Neurol: 10.1007/s00415-00020-09713-00417. [PubMed] [CrossRef] [Google Scholar]
  2. 또 다른 연구는 AIS 환자의 다중 모드 MR 이미지를 기반으로 라디오믹스 특성이 3개월 후 결과를 예측하는 데 있어 예측 가치를 확인했으며, 중복 감소 및 정보 정도 평가를 결합한 특성 선택 전략을 사용했습니다 [63]. 
    Cui H, Wang X, Bian Y, Song S, Feng DD (2018). Ischemic stroke clinical outcome prediction based on image signature selection from multimodality data. Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference, 2018:722-725. [PubMed] [Google Scholar]

2.2. Applications in hemorrhagic stroke

출혈성 뇌졸중 아형에는 두 가지가 있으며, 뇌내 출혈(Intracerebral Hemorrhage, ICH)과 지주막하 출혈(Subarachnoid Hemorrhage, SAH)임. 출혈성 뇌졸중은 뇌졸중 사례의 일부(약 15%)를 차지하지만, 관련된 장애와 사망률이 높음. ICH만으로도 1개월 시점에서 40%의 치사율을 보이는 것으로 보고되었음. 

2.2.1. Diagnosis of stroke lesions 

Zhang et al. [66]은 NCCT에서 다양한 원인에 의한 급성 ICH(< 6시간)를 구별하기 위해 라디오믹스 연구를 수행했습니다. 이 연구의 가설은 AVM과 관련된 혈종이 기형 혈관에 내재되어 있어 조성의 이질성이 더 크며, 정량적 라디오믹스 분석을 통해 식별될 수 있다는 것입니다. 최적의 특성 선택 및 모델링 알고리즘을 통합한 후, 구축된 NCCT 라디오믹스 모델은 검증 집단(n = 81)에서 AVM-ICH를 정확히 진단할 수 있었으며, AUC는 0.95, 민감도는 88%, 특이도는 93%였습니다. 또한, 라디오믹스 분석은 작업 경험이 다양한 중재 방사선사에 의한 주관적 평가보다 우수한 진단 성능을 보였습니다. 
Zhang Y, Zhang B, Liang F, Liang S, Zhang Y, Yan P, et al. (2019). Radiomics features on non-contrast-enhanced CT scan can precisely classify AVM-related hematomas from other spontaneous intraparenchymal hematoma types. Eur Radiol, 29:2157-2165. [PubMed] [Google Scholar]

2.2.2. Prediction of early outcomes 

  • 2018년, Shen et al. [46]은 라플라시안-가우시안 밴드패스 필터를 사용하여 이미지에서 조잡한 텍스처 특성에서 세밀한 텍스처 특성을 추출하고 조기 HE를 예측했으며, AUC는 0.92에 달했습니다. 
    Shen Q, Shan Y, Hu Z, Chen W, Yang B, Han J, et al. (2018). Quantitative parameters of CT texture analysis as potential markersfor early prediction of spontaneous intracranial hemorrhage enlargement. Eur Radiol, 28:4389-4396. [PubMed] [Google Scholar]
  • 최근에는 4개의 독립 의료 센터에서 ICH 데이터를 분석한 다기관 연구(n = 254)에서 라디오믹스 모델의 우수한 성능이 확인되었습니다 [47]. 
    Ma C, Zhang Y, Niyazi T, Wei J, Guocai G, Liu J, et al. (2019). Radiomics for predicting hematoma expansion in patients with hypertensive intraparenchymal hematomas. Eur J Radiol, 115:10-15. [PubMed] [Google Scholar]

2.2.3. Evaluation of long-term prognosis 

최근 Kanazawa et al. [71]이 40명의 동맥류 SAH 환자에서 NCCT 이미지의 정량적 텍스처 분석의 가능성을 탐색하는 파일럿 연구를 수행했습니다. 그들은 기저 뇌실 수준에서의 지주막하 출혈의 평균 CT 값이 지연성 뇌 허혈 및 퇴원 시 예후와 독립적으로 연관된 유일한 텍스처 특성임을 발견했습니다. 최적의 컷오프 값인 53 HU에서 이 매개변수는 기능적 결과가 나쁠 것(mRS ≥ 3)을 91.7%의 높은 특이도로 예측할 수 있었습니다. Fisher, Hijdra, SEBES 등 SAH 심각도를 측정하는 방사선학적 마커는 정성적 특성으로 인해 관찰자 간 변동성이 클 수 있습니다 
Kanazawa T, Takahashi S, Minami Y, Jinzaki M, Toda M, Yoshida K (2020). Early prediction of clinical outcomes in patients with aneurysmal subarachnoid hemorrhage using computed tomography texture analysis. J Clin Neurosci, 71:144-149. [PubMed] [Google Scholar]

Comparison of CT- and MRI-radiomics in Stroke Application.

3. Challenges and Future Directions

  • (lack of reproducibility among extracted radiomic features/ 라이도믹스 특성의 재현성 부족)
    - 주로 라디오믹스 작업 흐름의 변동성 (variability) 에서 비롯됨. 라디오믹스 연구는 오픈 소스 소프트웨어 플랫폼(예: MaZda 또는 IBEX)에서 수행되거나 MATLAB 환경에서 개발된 도구를 사용할 수 있는데, 이로 인해 전처리 및 후처리 기법, ROI의 분할 방법, 추출된 라디오믹스 특성의 유형과 수량이 연구마다 크게 다를 수 있음. 이러한 차이는 연구 간 재현성과 비교의 어려움, 메타 분석 결과의 통합에 어려움을 초래함. 
    - 보고 프로세스를 표준화하고 반복 가능성을 향상시키기 위해, 연구자들은 라디오믹스 연구가 최선의 실천 절차를 준수하는지 확인하기 위해 라디오믹스 품질 점수(RQS)를 제안.
    - 이미지 바이오마커 표준화 이니셔티브(IBSI)도 제안되어 정량적 라디오믹스 분석을 위한 표준화된 일반 이미지 처리 작업 흐름을 제공함. 
  • (imaging protocols/ 이미징 프로토콜) 라디오믹스 특성의 안정성 (stability) 에 큰 영향을 미치며, 이는 라디오믹스의 비재현성 (non-reproducibility) 을 초래할 수 있음.
  • 최근 CT 이미지 획득 및 재구성 매개변수 (reconstruction parameters) 가 상당수의 특성 값에 변동을 일으킬 수 있다는 보고가 있었음.두께가 큰 슬라이스가 부분적 부피 효과로 인해 ROI 윤곽 설정의 오차를 증가시킬 수 있음을 고려할 때 발생.
    -> 일부에서는 필터링이나 회색 수준 정규화와 같은 전처리 기법을 사용하여 라디오믹스 특성의 강건성을 향상시키기 위한 노력을 기울였지만, 특히 뇌졸중 분야에서의 성과는 매우 제한적임.
    - Quantitative Imaging Network (QIN): 암 관리에 대한 새로운 정량적 이미징 도구와 방법을 개발하기 위한 NIH의 협력 프로젝트로, 그 목표 중 하나는 암에서의 정량적 이미징 프로토콜의 표준화를 촉진.
    - 뇌졸중에 대한 라디오믹스 연구에서는 연구 커뮤니티에서 널리 수용될 수 있는 표준화된 MRI 및 CT 스캔 프로토콜을 개발할 필요가 있음. 
  • (NCCT-based radiomic features) NCCT 기반 라디오믹스 특성은 급성 경색 조직 (acute infarcted tissue) 을 식별할 수 있는 능력이 있지만, 이들이 캡처하는 정보는 단일 슬라이스의 병변 일부에 제한됨. 뇌졸중 병변에 대한 볼륨 측정을 수행하는 것은 어려운 일임. MR 확산 및 관류 이미징 (MR diffusion and perfusion imaging) 이 볼륨 측정 관련하여 잘 수행되고 있지만, NCCT가 속도, 낮은 비용 및 금기 사항이 없어 더 많이 사용되고 있음. 
    -> 따라서 향후 연구는 NCCT 이미지에서 급성 뇌졸중 병변에 대한 반자동 또는 자동 분할 도구 개발에 집중해야 함.
  • ICH 및 SAH에서 3D-볼륨 측정은 기계 학습의 도움으로 자동 분할을 달성했음. 다음 단계는 여러 출혈 병변에서 라디오믹스 데이터를 통합하는 최선의 방법을 결정하는 것임. 
  • (대규모 데이터의 필요성) 통계적으로 적절한 라디오믹스 데이터는 높은 강건성과 일반화 능력을 가진 분류기 모델을 생성하는 데 도움이 됨. 그러나 데이터베이스 생성은 의료 이미지와 3D-ROI 분할 수집으로 인해 시간이 많이 소요됨. 컨볼루션 신경망 기반의 딥 러닝 알고리즘은 비분할 이미지에서 자동으로 특성을 추출할 수 있지만, 비싼 하드웨어와 방대한 주석 데이터의 요구 사항으로 인해 적용 가능성이 제한적임.
    -> 따라서 서로 다른 연구 조직 및 의료 센터 간의 데이터 공유는 라디오믹스에서 매우 중요. 현재 뇌졸중에 대한 대부분의 라디오믹스 증거는 후향적 및 단일 센터 연구에서 유래된 것으로, 선택 편향으로 인해 라디오믹스 특성과 임상 사건 간의 연관성이 불안정함.
    - 예를 들어, 급성 ICH의 조기 HE를 예측할 수 있는 라디오믹스 특성 유형은 연구에 따라 크게 달랐음. 여러 센터의 라디오믹스 데이터와 기타 관련 의료 정보(예: 임상 또는 인구통계학적 데이터)로 구성된 공유 데이터베이스는 데이터 관리 문제를 해결한 후 기존 결과의 신뢰성을 검증하는 외부 도구로 활용될 수 있으며, 궁극적으로 전 세계적으로 뇌졸중 연구의 표준화를 촉진할 수 있음. 

4. Conclusions 

  • 계산 기술의 발전으로 뇌졸중 신경 이미지를 대상으로 한 라디오믹스 분석이 NCCT와 MRI 스캔에 성공적으로 적용되었음.
  • 추출된 라디오믹스 특징은 뇌졸중 병변을 진단하고, 조기 변화를 예측하며, 뇌졸중 발병 후 장기 예후를 평가하는 데 사용될 수 있는 잠재력을 가지고 있음
  • 연구 결과의 재현성, 라디오믹스 작업 흐름의 프로토콜 표준화, 그리고 다양한 의료 기관 간의 데이터 공유에서 도전 과제가 비롯됨.
  • 뇌졸중 분야에서 라디오믹스의 잠재력을 최대한 활용함으로써, 이차 예방 전략을 최적화하고 뇌졸중 환자에게 맞춤형 정밀 의학 개발을 촉진할 것으로 기대됨.