Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO AMD Progression Challenge

Created by
  • Haebom

저자

Rachid Zeghlache, Ikram Brahim, Pierre-Henri Conze, Mathieu Lamard, Mohammed El Amine Lazouni, Zineb Aziza Elaouaber, Leila Ryma Lazouni, Christopher Nielsen, Ahmad O. Ahsan, Matthias Wilms, Nils D. Forkert, Lovre Antonio Budimir, Ivana Matovinovic, Donik Vr\v{s}nak, Sven Lon\v{c}aric, Philippe Zhang, Weili Jiang, Yihao Li, Yiding Hao, Markus Frohmann, Patrick Binder, Marcel Huber, Taha Emre, Teresa Finisterra Araujo, Marzieh Oghbaie, Hrvoje Bogunovic, Amerens A. Bekkers, Nina M. van Liebergen, Hugo J. Kuijf, Abdul Qayyum, Moona Mazher, Steven A. Niederer, Alberto J. Beltran-Carrero, Juan J. Gomez-Valverde, Javier Torresano-Rodriquez, Alvaro Caballero-Sastre, Maria J. Ledesma Carbayo, Yosuke Yamagishi, Yi Ding, Robin Peretzke, Alexandra Ertl, Maximilian Fischer, Jessica Kachele, Sofiane Zehar, Karim Boukli Hacene, Thomas Monfort, Beatrice Cochener, Mostafa El Habib Daho, Anas-Alexis Benyoussef, Gwenole Quellec

개요

2024년 MICCAI에서 개최된 MARIO 챌린지는 광학 단층 촬영(OCT) 영상 분석을 통해 연령 관련 황반변성(AMD)의 자동화된 탐지 및 모니터링을 발전시키는 데 중점을 두었습니다. AMD 내 신생혈관 활동 변화 감지를 위한 알고리즘 성능 평가를 위해 고안된 이 챌린지는 독특한 다중 모달 데이터 세트를 통합했습니다. 프랑스 브레스트에서 얻은 주요 데이터 세트는 참가팀이 모델을 훈련하고 테스트하는 데 사용되었습니다. 최종 순위는 이 데이터 세트에 대한 성능을 기반으로 결정되었습니다. 알제리의 보조 데이터 세트는 챌린지 후 제출된 솔루션의 인구 및 장치 변화를 평가하는 데 사용되었습니다. MARIO 챌린지에는 두 가지 과제가 포함되었습니다. 첫 번째 과제는 두 개의 연속적인 2D OCT B-스캔 간의 진행 상황을 분류하는 것이었습니다. 두 번째 과제는 항-혈관 내피 성장 인자(VEGF) 치료를 받는 환자에 대해 3개월 동안의 미래 AMD 진행 상황을 예측하는 것이었습니다. 35개 팀이 참가하여 상위 12개 결선 진출 팀이 자체 방법을 발표했습니다. 본 논문에서는 챌린지의 구조, 과제, 데이터 특성 및 우승 방법론을 설명하고 OCT, 적외선 이미징 및 임상 데이터(방문 횟수, 연령, 성별 등)를 사용한 AMD 모니터링을 위한 벤치마크를 설정합니다. 이 챌린지의 결과는 인공 지능(AI)이 AMD 진행 상황 측정(과제 1)에서 의사와 동등한 수준의 성능을 발휘하지만 아직 미래 진행 상황 예측(과제 2)에는 미흡하다는 것을 보여줍니다.

시사점, 한계점

시사점:
OCT, 적외선 영상 및 임상 데이터를 사용한 AMD 모니터링을 위한 새로운 벤치마크를 설정했습니다.
AI가 AMD 진행 상황 측정(과제 1)에서 의사 수준의 성능을 보임을 확인했습니다.
다양한 데이터 세트(프랑스와 알제리)를 사용하여 알고리즘의 일반화 성능을 평가했습니다.
상위 12개 팀의 방법론을 통해 AMD 진행 상황 분석을 위한 다양한 접근 방식을 제시했습니다.
한계점:
AI가 AMD의 미래 진행 상황 예측(과제 2)에 있어서는 아직 의사 수준의 성능을 보이지 못했습니다.
사용된 데이터 세트의 제한으로 인해 알고리즘의 일반화 성능에 대한 추가 연구가 필요합니다.
과제 2의 어려움은 AI 기반 AMD 진행 예측 모델 개발의 어려움을 시사합니다.
👍