Development of an artificial intelligence model to evaluate and predict the severity of postoperative scars

Abstract

대부분의 수술 후 흉터는 수술 이후의 불가피한 휴유증이지만 심각한 미용적 문제와 기능적 손상을 유발할 수 있다. 흉터 중증도에 대한 적절한 평가가 적절한 치료 방법을 결정하는 데 중요하지만, 흉터를 평가하는 데 있어 표준적인 방법은 없는 실정이다. 따라서 본 연구는 수술 후 흉터의 중증도를 예측하기 위하여 이미지 및 임상 데이터를 기반으로 한 인공지능 모델을 개발하고 평가하고자 하였다. 갑상선 절제술 후 흉터가 있어 내원한 1,283명의 환자 (주 데이터셋: 1,043, 외부 데이터셋: 240)로부터 사진 및 임상 정보를 수집하여 심층 신경망 모델 (deep neural network) 을 훈련하고 검증하였다. 흉터 중증도를 분류하는 인공지능 모델의 성능은 다른 병원 환자군의 자료를 대상으로 외부적으로 검증하였으며, 16명의 피부과 의사에게 흉터 사진을 평가받아 성능을 비교하였다. 내부 테스트 세트 (external test set) 에서 이미지 기반 모델의 ROC-AUC (Receiver Operating Characteristic Curve) 면적은 0.931 (95% 신뢰구간 0.910-0.949) 이었고, 임상 데이터와 결합하면 0.938 (0.916-0.955)으로 증가하였다. 외부 테스트 세트 (external test set) 에서 이미지 기반 및 결합 예측 모델의 ROC-AUC 면적은 각각 0.896 (0.874-0.916) 및 0.912 (0.892-0.932)으로 계산되었다. 내부 테스트 세트의 이미지를 기반으로 평가한 알고리즘의 성능은 16명의 피부과 의사와 비교하였을 때 유사하였다. 밴쿠버 흉터 지수 (Vancouver scar scale)를 기준으로 한 회귀 예측 모델의 경우 평균 절대 오차 (mean absolute error) 가 내부 테스트 세트에서 1.075 (95% 신뢰구간 0.960-1.184), 내부 테스트 세트에서 1.183 (95% CI 1.080-1.283)으로 측정되었다. 결론적으로, 본 연구는 이미지 및 임상 자료로부터 도출된 심층 신경망 모델이 수술 후 흉터의 중증도를 예측할 수 있음을 보여주었다. 본 연구에서 제안하는 인공지능 모델은 추후 흉터 관리의 임상 분야, 특히 흉터 중증도를 평가하여 치료 시점을 결정하는 데 활용할 수 있을 것으로 기대한다. Although most postoperative scars are inevitable sequelae after the surgical procedures, they cause significant cosmetic problems and functional impairments. The appropriate evaluation of the severity of the scar is crucial for determining the proper treatment modalities, yet there is no gold standard in assessing the scars. Our objective of the study was to develop and evaluate an artificial intelligence (AI) model using the image and clinical data to predict the severity of postoperative scars. Deep neural network models were trained and validated using images and clinical data from 1,283 patients (main dataset: 1,043, external dataset: 240) with post-thyroidectomy scars. The Model’s performance in classifying the scar severity was externally validated on patients of another hospital and tested against 16 dermatologists. With the internal test set, the area under the receiver operating characteristic curve (ROC-AUC) of the image-based model was 0.931 (95% CI 0.910-0.949), and increased to 0.938 (0.916-0.955) when combined with clinical data. With the external test set, the ROC-AUC of the image-based and combined prediction model were 0.896 (0.874-0.916) and 0.912 (0.892-0.932), respectively. The tested algorithm performance with images of the internal test set was comparable to that of 16 dermatologists. Regression model for VSS score prediction showed the mean absolute error of 1.075 (95% CI 0.960-1.184) in the internal testing set, and 1.183 (95% CI 1.080-1.283) in the external testing set. In conclusion, this study revealed that deep neural network model derived from image and clinical data could predict the severity of postoperative scar. We anticipate that the proposed AI model may utilize in the clinical practice of scar management, especially for deciding severity and treatment initiation.