실제 임상 데이터를 활용한 트랜스포머 기반 다중 인스턴스 학습을 통한 다중 관점 협착증 분류

Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data

관상동맥 협착은 심혈관 질환의 주요 원인이며, 이는 여러 관상동맥 혈관조영 영상을 분석하여 진단됩니다. 단일 혈관조영 영상으로부터 협착을 검출하기 위한 다양한 딥러닝 모델이 제안되었지만, 이러한 모델의 성능은 비싼 관점 수준의 어노테이션에 크게 의존하며, 이는 종종 병원 시스템에서 쉽게 얻을 수 없습니다. 또한, 이러한 모델은 임상 진단에 중요한 여러 관점 간의 시간적 동역학과 의존성을 제대로 포착하지 못합니다. 이러한 문제를 해결하기 위해, 우리는 환자 수준의 협착증 분류를 위한 트랜스포머 기반의 다중 관점 다중 인스턴스 학습 프레임워크인 SegmentMIL을 제안합니다. SegmentMIL은 실제 임상 데이터셋으로 훈련되며, 환자 수준의 감독 학습을 사용하고 관점 수준의 어노테이션 없이, 협착의 존재 여부를 동시에 예측하고 영향을 받는 해부학적 영역을 지역화하며, 우측 및 좌측 관상동맥과 해당 부위를 구별합니다. SegmentMIL은 내부 및 외부 평가에서 높은 성능을 보이며, 관점 수준 모델 및 기존 다중 인스턴스 학습 방법보다 우수한 성능을 나타내므로, 관상동맥 협착 진단을 위한 임상적으로 유효하고 확장 가능한 솔루션으로서의 잠재력을 보여줍니다. 저희 코드는 https://github.com/NikolaCenic/mil-stenosis 에서 확인할 수 있습니다.

Coronary artery stenosis is a leading cause of cardiovascular disease, diagnosed by analyzing the coronary arteries from multiple angiography views. Although numerous deep-learning models have been proposed for stenosis detection from a single angiography view, their performance heavily relies on expensive view-level annotations, which are often not readily available in hospital systems. Moreover, these models fail to capture the temporal dynamics and dependencies among multiple views, which are crucial for clinical diagnosis. To address this, we propose SegmentMIL, a transformer-based multi-view multiple-instance learning framework for patient-level stenosis classification. Trained on a real-world clinical dataset, using patient-level supervision and without any view-level annotations, SegmentMIL jointly predicts the presence of stenosis and localizes the affected anatomical region, distinguishing between the right and left coronary arteries and their respective segments. SegmentMIL obtains high performance on internal and external evaluations and outperforms both view-level models and classical MIL baselines, underscoring its potential as a clinically viable and scalable solution for coronary stenosis diagnosis. Our code is available at https://github.com/NikolaCenic/mil-stenosis.