# Requirements for Quality Assurance of AI Models for Early Detection of Lung Cancer

### 저자

Horst K. Hahn, Matthias S. May, Volker Dicken, Michael Walz, Rainer E{\ss}eling, Bianca Lassen-Schmidt, Robert Rischen, Jens Vogel-Claussen, Konstantin Nikolaou, Jorg Barkhausen

### 개요

본 논문은 폐암 조기 진단을 위한 인공지능(AI) 기반 시스템의 품질 보증에 대한 체계적인 접근 방식을 제안한다. 폐암은 암 관련 사망의 주요 원인이며, 조기 진단이 생존율에 중요한 영향을 미친다. 저선량 CT 스캔을 이용한 조기 진단은 고위험군 환자의 사망률을 크게 낮출 수 있고, AI는 폐 결절의 탐지, 측정 및 특성 분석을 개선하는 데 도움이 된다. 하지만 기존 AI 시스템은 훈련 데이터, 기능 및 성능이 크게 달라 소프트웨어 선택과 규제 평가가 어렵다.  본 논문에서는 검증된 참조 데이터 세트(실제 스크리닝 사례 및 팬텀 데이터 포함)를 기반으로 한 체계적인 품질 보증을 제안하며, 민감도, 특이도 및 체적 정확도를 기반으로 한 표준화된 투명한 품질 평가를 통해 각 AI 솔루션의 강점과 약점을 객관적으로 평가할 수 있도록 한다.  EU AI 법에 따른 일관된 품질 보증과 자가 학습 알고리즘 및 업데이트에 대한 적절한 규제 방안을 포함하여 지속적인 AI 품질 보증의 중요성을 강조한다.

### 시사점, 한계점

- **시사점:**

    - 검증된 참조 데이터 세트를 기반으로 한 체계적인 AI 품질 보증 프레임워크 제공

    - 민감도, 특이도 및 체적 정확도를 포함한 표준화된 품질 평가 기준 제시

    - AI 기반 폐 결절 검출 시스템의 상호 비교 가능한 성능 평가 가능

    - EU AI 법 및 MDR 규정 준수를 위한 규제적 측면 고려

    - 인구 통계 변화 및 기술 발전을 반영한 참조 데이터 세트의 지속적인 업데이트 강조

- **한계점:**

    - 제안된 프레임워크의 실제 구현 및 적용에 대한 구체적인 방법론 부족

    - 자가 학습 알고리즘 및 지속적인 업데이트에 대한 규제적 측면의 상세한 논의 부족

    - 다양한 AI 시스템의 기능 및 성능 차이에 대한 심층적인 분석 부족

    - 참조 데이터 세트 구축 및 유지 관리에 대한 자원 및 비용 문제 고려 부족

[PDF 보기](https://arxiv.org/pdf/2502.17639)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).