딥러닝으로 머리·목암 방사선 치료의 미래를 혁신하다: UW LAIR팀의 놀라운 성과
UW LAIR팀은 딥러닝을 활용하여 머리 및 목암 방사선 치료의 정확도를 높이는 혁신적인 기술을 개발하여 대회 1위를 차지했습니다. pre-RT 및 mid-RT 데이터를 활용한 딥러닝 모델과 앙상블 기법으로 종양 부피를 정확하게 분할하여 방사선 치료의 효율성을 높이고 환자의 삶의 질 향상에 기여할 것으로 기대됩니다.

정확한 종양 부피(GTV) 분할은 머리 및 목암의 MRI 유도 적응 방사선 치료(MRgART)의 성공에 필수적입니다. 하지만, 수동으로 종양 부피를 분할하는 것은 시간이 많이 걸리고 관찰자 간의 차이가 발생하기 쉽습니다. 이러한 문제를 해결하기 위해, 워싱턴 대학교의 UW LAIR 팀은 딥러닝(DL)을 활용한 혁신적인 접근 방식을 제시했습니다.
UW LAIR 팀은 방사선 치료 전(pre-RT)과 중간(mid-RT) 단계의 종양 부피 분할이라는 두 가지 난제에 도전했습니다. SegResNet을 기반으로 한 일련의 딥러닝 모델을 개발하여, pre-RT 및 mid-RT MRI 데이터를 결합하여 학습시킴으로써 기존 모델보다 향상된 정확도를 달성했습니다. 특히 mid-RT 단계에서는 mask-aware attention 모듈을 도입하여 pre-RT GTV 마스크가 mid-RT 데이터 학습에 영향을 미도로 하여 정확도를 더욱 높였습니다. 이는 마치 경험 많은 의사가 과거의 정보를 바탕으로 현재의 진단을 내리는 것과 유사한 방식입니다.
그 결과는 놀라웠습니다. pre-RT 분할 모델 앙상블은 평균 DSCagg(Dice Similarity Coefficient의 집계 값) 0.794를 달성했으며, mid-RT 모델 앙상블은 0.733을 기록했습니다. 이는 주요 종양(GTVp)과 전이 림프절(GTVn) 모두에서 높은 정확도를 보여줍니다. 이는 단순한 기술적 발전을 넘어, 실제 임상 환경에서의 적용 가능성을 입증한 것입니다. 실제로 이러한 성과를 인정받아, UW LAIR 팀은 대회에서 1위를 차지했습니다.
이 연구는 단순히 높은 정확도의 종양 부피 분할을 달성한 것 이상의 의미를 지닙니다. 방사선 종양학 워크플로우를 간소화하고, 더욱 효율적이고 정확한 치료를 가능하게 함으로써, 머리 및 목암 환자의 삶의 질 향상에 기여할 수 있다는 점에서 큰 의의를 가집니다. UW LAIR 팀의 코드와 모델 가중치는 https://github.com/xtie97/HNTS-MRG24-UWLAIR 에서 확인할 수 있습니다.
이 연구는 딥러닝 기술이 의료 분야에서 혁신적인 변화를 가져올 수 있음을 보여주는 중요한 사례입니다. 앞으로 더욱 발전된 딥러닝 기술을 통해 보다 정확하고 효율적인 암 치료가 가능해질 것으로 기대됩니다. 🎗️
Reference
[arxiv] Deep Learning for Longitudinal Gross Tumor Volume Segmentation in MRI-Guided Adaptive Radiotherapy for Head and Neck Cancer
Published: (Updated: )
Author: Xin Tie, Weijie Chen, Zachary Huemann, Brayden Schott, Nuohao Liu, Tyler J. Bradshaw
http://arxiv.org/abs/2412.00663v1