의료 인공지능 시대를 이끌어 갈 Lunit의 제품을 소개합니다.


Lunit INSIGHT
for Chest Radiography
Nodule Detection

BACKGROUND

한국인 남/녀 사망률 1위를 차지하는 폐암은 말기에 발견되는 경우 5년 생존율이 6.1%에 불과하지만, 조기발견 시 생존율은 64.0%까지 상승합니다.1,2 그러나 국내 폐암환자의 조기진단 비율은 20.7%에 불과합니다. 병변의 크기가 작거나 심장, 늑골 등 다른 장기에 병변이 가려져 있는 경우, 흉부 x-선 검사에서 폐암을 놓치기 쉽기 때문입니다. 특히 짧은 시간동안 다량의 영상을 판독하는 환경에서 그 위험은 더욱 높아질 수 있습니다.

PRODUCT DESCRIPTION

Lunit의 독자적인 딥 러닝 기술이 적용된3 Lunit INSIGHT CXR-Nodule은 흉부 x-선 영상에서 폐 결절로 의심되는 이상부위를 검출하여 의사의 판독을 보조하는 소프트웨어입니다. 인공지능 알고리즘이 영상을 분석하여 (1) 폐 결절로 의심되는 위치를 색상(Heatmap)으로 표시하고, (2) 폐 결절의 존재 가능성을 확률 값(Abnormality Score, %)으로 나타냅니다. 의사는 1차적으로 흉부 x-선 영상을 판독한 후 분석 결과를 참고하여 최종 진단을 내리게 됩니다. (의사의 영상판독 없이 Lunit INSIGHT CXR-Nodule 분석 결과만으로 환자의 진단 및 치료방안을 결정할 수 없습니다.)

PRIMARY VALUE PROPOSITION
  • 크기가 작거나 다른 장기에 가려져 있는 결절을 놓치는 비율 감소
  • 흉부 x-선 영상을 통한 폐암의 조기 진단율 향상
  • 비영상의학 전문의의 폐 결절 판독 정확도를 영상의학 전문의 수준으로 향상
TRAINING & VALIDATION
  • 흉부 x-선에서 발견하기 어려운 결절도 정확히 검출하기 위해, Chest CT에서 병변 확인 후 알고리즘 학습
  • 폐 결절 검출 정확도: 97% ROC AUC4
  • 영상 판독 보조 시, 의사의 판독 정확도 최대 20% 향상5
  • 세계 최고 권위의 영상의학회지게재 승인6
  • 식품의약품안전처 의료기기 제조 허가 (의료영상검출보조소프트웨어, 제허 18-574호)
EXAMPLE CASES

CASE #1. 폐암으로 진단된 결절이 심장과 겹쳐진 부위에서 검출되었습니다. (Abnormality Score: 44%)

CASE #2. 폐암으로 진단된 결절이 우측 폐 상엽right upper lung field에서 검출되었습니다 (Abnormality Score: 66%)

CASE #3. 폐암으로 진단된 결절이 횡격막과 겹쳐진 부위에서 검출되었습니다. (Abnormality Score: 96%)

JOURNALS & CONFERENCE ABSTRACTS
  • Nam JG, Park SG, et al. Development and Validation of Deep Learning-Based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs, Radiology 2018 (in press)
  • Development and Validation of a Deep Learning-Based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs, RSNA 2018
  • Multi-Stage Deep Disassembling Networks for Generating Bone-Only and Tissue-Only Images from Chest Radiographs Performance Validation of a Deep Learning-Based Automatic, RSNA 2018
  • Detection Algorithm for Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Deep Learning-Based Automatic Detection Algorithm for the Detection of Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Automatic Detection of Malignant Pulmonary Nodules on Chest Radiographs Using a Deep Convolutional Neural Network: Detection Performance and Comparison with Human Experts, RSNA 2017
  • Deep Learning-based Automatic Detection Algorithm for the Detection of Malignant Pulmonary Nodules on Chest Radiographs, RSNA 2017
REFERENCES

1 통계청, 사망원인통계, 2016; 국가승인통계 제 101054호

2 보건복지부, 2015년 국가암 등록통계 참고자료, 2017

3 Lunit의 딥 러닝 기술력은 다양한 국제 대회에서 입증되었습니다. 대표적으로 국제종양증식평가대회 ‘TUPAC 2016’ 1위, 국제림프절전이검출대회 ‘CAMELYON Challenge 2017’ 1위, CB Insights 선정 ‘2017 세계 100대 인공지능 기업’ 등의 성과가 있습니다.

4 Standalone test. ROC AUC Area Under the Receiver Operating Characteristic Curve

5 서울대학교병원, Observer performance study, 2017

6 Nam JG, Park SG, et al. Development and Validation of Deep Learning-Based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs. Radiology 2018; (in press).

Lunit INSIGHT
for Chest Radiography
Major Chest Abnormalities


BACKGROUND

흉부 x-선은 임상진단의 출발점으로서 가장 기본적이고 중요한 검사법입니다. 특히 매년 촬영되는 의료영상의 25%를 차지하며,1 흉부 x-선 영상의 판독 소견에 따라 약 60%의 환자들의 진단/치료 방향이 변경되는 것으로 알려져 있습니다.2,3 하지만 가장 빈번하게 촬영되는 영상임에도 불구하고, 흉부 x-선 영상 판독은 난이도가 높습니다. 실제로 흉부 x-선 영상에서 환자를 놓치는 비율은 약 30% 이상으로 보고되며,4,5 이로 인해 질병의 치료 가능 시점을 놓치고 사망률이 높아집니다.6 또한 흉부 x-선은 숙련도에 따라 판독 정확도 차이가 크기 때문에, 영상의학 전문의와 비영상의학 전문의 간 판독 정확도는 최대 30%의 차이를 보입니다.7-9

PRODUCT DESCRIPTION

Lunit의 독자적인 딥 러닝 기술이 적용된10 Lunit INSIGHT CXR-MCA는 흉부 x-선 영상에서 폐 결절/종괴, 경화, 기흉 등으로 의심되는 이상부위를 검출하여 의사의 판독을 보조하는 소프트웨어입니다. 인공지능 알고리즘이 영상을 분석하여 (1) 병변으로 의심되는 위치를 색상(Heatmap)으로 표시하고, (2) 병변의 존재 가능성을 확률 값(Abnormality Score, %)으로 나타냅니다. 의사는 1차적으로 흉부 x-선 영상을 판독한 후 분석 결과를 참고하여 최종 진단을 내리게 됩니다. (의사의 영상판독 없이 Lunit INSIGHT CXR-MCA 분석 결과만으로 환자의 진단 및 치료방안을 결정할 수 없습니다.)

PRIMARY VALUE PROPOSITION
  • 폐암, 결핵, 폐렴, 기흉 등 판독하기 어려운 주요 폐 질환을 놓치는 비율 감소
  • 흉부 x-선 영상을 통한 주요 폐 질환의 조기 진단율 향상
  • 비영상의학 전문의의 주요 폐 질환 판독 정확도를 영상의학 전문의 수준으로 향상
TRAINING & VALIDATION
  • 총 20만 장의 양질의 학습 데이터
  • 주요 폐 질환 검출 정확도: 98-99% ROC AUC11
  • 영상 판독 보조 시, 의사의 판독 정확도최대 14%향상12
  • FDA, CE, MFDS 등의 국내/외 의료기기 허가 준비 중
EXAMPLE CASES

CASE #1. 폐암으로 진단된 결절이우측 폐 중엽에서 검출 되었습니다. (Abnormality Score: 94%)

CASE #2. 폐렴으로 진단된 경미한 국소 경화가우측 폐 하엽에서 검출 되었습니다. (Abnormality Score: 81%)

CASE #3.좌측 폐첨에서 경미한 기흉이 검출되었습니다. (Abnormality Score: 57%)

CASE #4. 폐 결핵으로 진단된 국소 경화가쇄골과 겹친 우측 폐첨에서 검출되었습니다. (Abnormality Score: 72%)

JOURNALS & CONFERENCE ABSTRACTS
  • Nam JG, Park SG, et al. Development and Validation of Deep Learning-Based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs, Radiology 2018 (in press)
  • Development and Validation of a Deep Learning-Based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs, RSNA 2018
  • Multi-Stage Deep Disassembling Networks for Generating Bone-Only and Tissue-Only Images from Chest Radiographs Performance Validation of a Deep Learning-Based Automatic, RSNA 2018
  • Detection Algorithm for Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Deep Learning-Based Automatic Detection Algorithm for the Detection of Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Automatic Detection of Malignant Pulmonary Nodules on Chest Radiographs Using a Deep Convolutional Neural Network: Detection Performance and Comparison with Human Experts, RSNA 2017
  • Deep Learning-based Automatic Detection Algorithm for the Detection of Malignant Pulmonary Nodules on Chest Radiographs, RSNA 2017
REFERENCES

1 Radiation UNSCotEoA. Sources and effects of ionizing radiation: sources: United Nations Publications; 2000.

2 Geijer M, Ivarsson L, Göthlin JH. A retrospective analysis of the clinical impact of 939 chest radiographs using the medical records. Radiol Res Pract 2012;2012.

3 Speets AM, van der Graaf Y, Hoes AW, et al. Chest radiography in general practice: indications, diagnostic yield and consequences for patient management. Br J Gen Pract 2006;56:574-8.

4 Quekel LG, Kessels AG, Goei R, van Engelshoven JM. Miss rate of lung cancer on the chest radiograph in clinical practice. Chest 1999;115:720-4.

5 Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. Wes J Med 1981;134:485.

6 Kesselman A, Soroosh G, Mollura DJ, et al. 2015 RAD-AID Conference on International Radiology for Developing Countries: the evolving global radiology landscape. J Am Coll Radiol 2016;13:1139-44.

7 Monnier-Cholley L, Carrat F, Cholley BP, Tubiana J-M, Arrivé L. Detection of lung cancer on radiographs: receiver operating characteristic analyses of radiologists’, pulmonologists’, and anesthesiologists’ performance. Radiology 2004;233:799-805.

8 Eng J, Mysko WK, Weller GE, et al. Interpretation of emergency department radiographs: a comparison of emergency medicine physicians with radiologists, residents with faculty, and film with digital display. Am J Roentgenol 2000;175:1233-8.

9 Potchen EJ, Cooper TG, Sierra AE, et al. Measuring performance in chest radiography. Radiology 2000;217:456-9.

10 Lunit의 딥 러닝 기술력은 다양한 국제 대회에서 입증되었습니다. 대표적으로 국제종양증식평가대회 ‘TUPAC 2016’ 1위, 국제림프절전이검출대회 ‘CAMELYON Challenge 2017’ 1위, CB Insights 선정 ‘2017 세계 100대 인공지능 기업’ 등의 성과가 있습니다.

11 Receiver Operating Curve Area Under the Curve

12서울대학교병원, Observer performance study, 2017

Lunit INSIGHT
for Mammography


BACKGROUND

다양한 연구결과에서 유방촬영술은 유방암 생존율 향상을 위한 유일한 선별검사법으로 알려져 있습니다.1 하지만 유방촬영술은 위양성율과 위음성율이 매우 높은 검사법입니다. 실제로 선별검사를 실시한 환자의 약 10%가 유방암 의심으로 판정 받아 추가 정밀검사를 받게 되는데, 이 중 최종 유방암 진단을 받는 비율은 5%에 불과합니다.2 반대로 선별검사를 실시하고도 유방암 병변을 놓치는 비율은 10~30% 수준으로 많은 환자들이 조기치료의 골든타임을 놓치고 있습니다.3-5

PRODUCT DESCRIPTION

Lunit의 독자적인 딥 러닝 기술이 적용된6 Lunit INSIGHT MMG는 유방촬영술 영상에서 유방암으로 의심되는 이상부위를 검출하여 의사의 판독을 보조하는 소프트웨어입니다. 인공지능 알고리즘이 영상을 분석하여 (1) 악성 종양으로 의심되는 위치를 색상(Heatmap)으로 표시하고, (2) 악성 종양의 존재 가능성을 확률 값(Abnormality Score, %)으로 나타냅니다. 의사는 1차적으로 유방촬영술 영상을 판독한 후 분석 결과를 참고하여 최종 진단을 내리게 됩니다. (의사의 영상판독 없이 Lunit INSIGHT MMG 분석 결과만으로 환자의 진단 및 치료방안을 결정할 수 없습니다.)

PRIMARY VALUE PROPOSITION
  • 유방 영상의학 전문의와 일반 영상의학 전문의 모두 유방암 진단율 향상 및 Recall rate 감소
  • 일반 영상의학 전문의의 유방암 판독 정확도를 유방 영상의학 전문의 수준으로 향상
TRAINING & VALIDATION
  • 총 20만장의 양질의 대규모 학습 데이터(조직검사로 확진된 유방암 케이스 5만장 포함)
  • 유방암 검출 정확도: 96% ROC AUC7
  • 영상 판독 보조 시, 의사의 판독 정확도최대 10%향상8
  • FDA, CE, MFDS 등의 국내/외 의료기기 허가 준비 중
EXAMPLE CASES

CASE #1. 침윤성 유관암으로 진단된 종괴가 우측 유방에서 검출되었습니다. (Malignancy Score: 98%)

CASE #2. 상피내암으로 진단된 미세석회화를 동반한 병변이 우측 유방에서 검출되었습니다. (Malignancy Score: 58%)

JOURNALS & CONFERENCE ABSTRACTS
  • Kim EK et al. Applying Data-driven Imaging Biomarker in Mammography for Breast Cancer Screening: Preliminary Study, Sci Rep. 2018 Feb 9;8(1):2762.
  • Kim EK et al. Data-Driven Imaging Biomarker for Breast Cancer Screening in Mammography - Reader Study, RSNA 2018
  • Advanced Data-Driven Imaging Biomarker for Breast Cancer Screening in Mammography, RSNA 2017
REFERENCES

1 Myers ER, Moorman P, Gierisch JM, et al. Benefits and harms of breast cancer screening: a systematic review. JAMA 2015;314:1615-34.

2 http://breastscreening.cancer.gov.

3 Thurfjell EL, Lernevall KA, Taube A. Benefit of independent double reading in a population-based mammography screening program. Radiology 1994;191:241-4.

4 Yankaskas BC, Klabunde CN, Ancelle-Park R, et al. International comparison of performance measures for screening mammography: can it be done? J Med Screen 2004;11:187-93.

5 Ciatto S, Ambrogetti D, Risso G, et al. The role of arbitration of discordant reports at double reading of screening mammograms. J Med Screen 2005;12:125-7.

6 Lunit의 딥 러닝 기술력은 다양한 국제 대회에서 입증되었습니다. 대표적으로 국제종양증식평가대회 ‘TUPAC 2016’ 1위, 국제림프절전이검출대회 ‘CAMELYON Challenge 2017’ 1위, CB Insights 선정 ‘2017 세계 100대 인공지능 기업’ 등의 성과가 있습니다.

7 Standalone test. ROC AUC Area Under the Receiver Operating Characteristic Curve

8 세브란스병원 임상시험, 2017

상단으로