Automated Deep Learning Model for Accurate Detection and Measurement of Adrenal Masses in Contrast- Enhanced Abdominal CT = 복부 조영증강 전산화 단층촬영에서 부신 종양의 정확한 발견과 측정을 하는 자동화된 딥러닝 모델

다국어 초록 (Multilingual Abstract)

Objectives
This study aimed to develop and validate a fully automated deep learning model for adrenal mass detection and measurement in contrast-enhanced abdominal computed tomography (CT).

Methods
This retrospective study included 415 CT scans with (n = 155) and without (n = 260) adrenal masses for model development (median age, 40 years; 206 men). The development set was divided into training, validation, and internal test set 1 (n = 298, 75, and 42, respectively). The mask of the adrenal gland was automatically obtained using a previously developed segmentation model, and the mask of the adrenal mass was manually edited. The masks of the adrenal parenchyma and mass were used to develop a U-Net-based segmentation model. Two secondary test sets were used for validating mass detection (external test set, n = 995) and size measurement (internal test set 2, n = 50). The model performance was evaluated using the area under the receiver operating characteristic curve (AUC) for adrenal mass detection and the intraclass correlation coefficient (ICC) for adrenal mass measurement.

Results
In the internal test set 1, the AUC for classifying adrenal mass was 0.99, with an average dice similarity coefficient of 0.812. The model achieved an AUC of 0.94 with sensitivity, specificity, and accuracy of 89.6%, 96.9%, and 96.6%, respectively, in the external test set, which has a real-world incidence of adrenal mass (4.8%, 48/995). The model identified 44 of 50 adrenal masses in internal test 2. The ICCs of the predicted diameter were 0.848 and 0.855 for the CT-measured and pathologically measured diameters, respectively.

Conclusion
The proposed deep learning model accurately detected and measured adrenal masses in abdominal CT.

국문 초록 (Abstract)

연구 목적
본 연구의 목적은 조영증강 복부 CT에서 자동으로 부신 종양을 찾고 크기를 측정하는 딥러닝 모델을 개발하고 검증하는 것이다.

연구 방법
이 후향 연구는 환자 415명의 복부 CT (부신 종양이 있는 환자 155 명, 정상 부신 260명)를 모델 개발에 사용하였다. 개발 데이터셋은 학습, 검증, 내부 테스트셋 1(각각 298명, 75명, 42명)로 나누었다. 선행 연구로 개발한 부 신을 자동으로 분할하는 알고리즘을 이용하여 부신 실질 영역을 분할하였고, 부 신 종양은 수동으로 분할하였다. 부신 실질과 부신 종양의 영역으로 U-net 알고리즘을 활용하여 분할 모델을 개발하였다. 부신 종양 발견(외부 테스트 셋, 995명)과 부신 종양 크기 측정(내부 테스트 셋2, 50명)을 위한 두 개의 테스 트 셋을 각각 수집하였다. 모델의 성능은 수신자 조작 특성 곡선 면적 분석 (Area under the receiver operating characteristic curve, AUC)을 통해 종양 발견을 평가하였고, 급내상관계수 (intraclass correlation coefficient, ICC)로 종양 크기 측정을 평가하였다.

연구 결과
개발 데이터셋에서 부신 종양을 찾을 때의 AUC는 0.99였고 평균 다이스 점수는 0.812였다. 외부 테스트 셋에서 부신 종양의 유병률은 4.8% (48/995)였고, 부신 종양을 발견하는 모델의 성능은 AUC 0.94, 민감도 89.6%, 특이도 96.9%, 정확도 96.6%였다. 내부 테스트 셋2에서 모델은 50명 의 부신 종양 환자 중 44명의 부신 종양을 발견하였다. 모델이 예측한 종양의 크기를 CT에서 측정한 크기와 병리에서 실제 잰 크기와 비교했을 때 각각 ICC 가 0.848, 0.855였다.

결론
개발한 딥러닝 모델은 복부 CT에서 부신 종양을 잘 발견하고 종양의 크기를 정확하게 측정해낼 수 있었다.

목차 (Table of Contents)

• Abstract in English 1
• Contents 3
• 1. Introduction 5
• 1.1 Clinical importance of detecting adrenal mass 5
• 1.2 Current limitations of artificial intelligence for adrenal mass detection 6
• 1.3 Previous work for adrenal gland deep learning model 6
• 1.4 Proposed deep learning model for adrenal mass detection 8
• 2. Materials and Methods 9
• 2.1 Patient Data 9
• 2.2 CT protocol 11
• 2.3 Reference Standard 11
• 2.4 Preprocessing 12
• 2.5 Data splitting 13
• 2.6 Segmentation-guided adrenal tumor classification 13
• 2.7 Volume and maximal diameter calculation 15
• 2.8 Statistical analysis 16
• 3. Results 17
• 3.1 Dataset characteristics 17
• 3.2 Classification results 18
• 3.3 Size measurement results 22
• 4. Discussion 23
• 4.1 Limitations of previous deep learning model for detecting adrenal mass 23
• 4.2 Strength of the proposed deep learning model 24
• 4.3 Limitations of the study 25
• 4.4 Future perspectives 26
• 4.5 Conclusion 28
• References 29
• Abstract in Korean 32