방사선 인공지능: 체계적 검토 및 방법 평가 (RAISE)

목적: 임상 방사선학에 적용된 인공지능(AI) 분야에 많은 연구가 이루어졌습니다. 그러나 이들 연구는 설계와 품질이 다양하며, 전체 분야에 대한 체계적 검토는 부족합니다. 본 체계적 검토는 방사선학에서 딥러닝을 사용한 모든 논문을 확인하여 문헌을 조사하고 그 방법들을 평가하는 것을 목표로 했습니다. 또한 문헌에서 다루는 주요 질문들을 밝히고 가장 효과적인 방법을 찾고자 했습니다. 방법: PRISMA 가이드라인을 따라 2015년부터 2019년까지 발표된 방사선학에서 AI 연구들을 체계적으로 검토했습니다. 등록된 프로토콜을 선등록하였습니다. 결과: 검색 결과 11,083건을 확인하였으며, 767건의 전문을 검토해 535편의 논문을 포함시켰습니다. 98%가 후향적 코호트 연구였습니다. 포함 환자 수 중앙값은 460명이었습니다. 대부분 연구는 MRI(37%)를 포함했습니다. 신경방사선학이 가장 흔한 세부분야였습니다. 88%가 감독학습을 사용했습니다. 연구의 대다수는 분할 작업(39%)을 수행했습니다. 성능 비교는 37%에서 최신 모델과 이루어졌습니다. 가장 많이 사용된 확립된 구조는 UNet(14%)이었습니다. 가장 자주 사용된 평가 지표의 성능 중앙값은 Dice 0.89(범위 .49-.99), AUC 0.903(범위 1.00-0.61), 정확도 89.4%(범위 70.2-100)였습니다. 외부 검증을 실시하고 직접 비교가 가능한 77편 연구 중 평균 성능은 외부 검증 시 6% 감소했으며 (범위 4% 증가에서 44% 감소)였습니다. 결론: 본 체계적 검토는 임상 방사선학에 적용된 AI의 주요 진보를 조사하였습니다. 주요 점: • 방사선학에서 딥러닝으로 전문가 수준 결과를 보고하는 논문이 많으나, 대부분 제한된 기술과 사용 사례에만 적용되고 있습니다. • 문헌은 제한된 외부 검증과 높은 편향 가능성을 가진 후향적 코호트 연구가 주를 이룹니다. • AI 확장 체계 보고 지침과 전향적 시험 등록, 외부 검증과 설명에 초점을 맞춘 최근 동향은 AI의 과대 포장을 실제 임상으로 옮길 잠재력을 보입니다.