[論文レビュー] A Review of Uncertainty Estimation and its Application in Medical Imaging

Ke Zou, Zhihao Chen+4 more|arXiv (Cornell University)|Feb 16, 2023

Explainable Artificial Intelligence (XAI)被引用数 6

ひとこと要約

この論文は、医療画像における深層学習における不確実性推定をレビューし、不確実性をアレアトリック型（データ駆動型）とエピステミック型（モデル駆動型）に分類し、モンテカルロドロップアウト、ベイジアンニューラルネットワーク、変分推論などの手法を評価している。臨床意思決定支援への応用として、分布外または低品質な画像を専門家によるレビュー用に特定する応用が強調されており、不確実性の真のラベルの欠如や計算コストの高さといった主な課題が同定されている。

ABSTRACT

The use of AI systems in healthcare for the early screening of diseases is of great clinical importance. Deep learning has shown great promise in medical imaging, but the reliability and trustworthiness of AI systems limit their deployment in real clinical scenes, where patient safety is at stake. Uncertainty estimation plays a pivotal role in producing a confidence evaluation along with the prediction of the deep model. This is particularly important in medical imaging, where the uncertainty in the model's predictions can be used to identify areas of concern or to provide additional information to the clinician. In this paper, we review the various types of uncertainty in deep learning, including aleatoric uncertainty and epistemic uncertainty. We further discuss how they can be estimated in medical imaging. More importantly, we review recent advances in deep learning models that incorporate uncertainty estimation in medical imaging. Finally, we discuss the challenges and future directions in uncertainty estimation in deep learning for medical imaging. We hope this review will ignite further interest in the community and provide researchers with an up-to-date reference regarding applications of uncertainty estimation models in medical imaging.

研究の動機と目的

• 医療画像における深層学習の不確実性推定手法について包括的なレビューを行うこと。
• 医療画像解析における不確実性の種別（アレアトリック型とエピステミック型）を分類し、分析すること。
• 不確実性推定を統合した最新の深層学習モデルの進展を評価し、臨床的信頼性の向上を図ること。
• 不確実性の真のラベルの欠如や実用的導入における計算コストの高さといった主な課題を特定すること。
• 不確実性推定において未だ十分に検討がなされていないタスク（例：画像のノイズ除去、数え上げ、検出）を強調することで、今後の研究を導くこと。

提案手法

• 不確実性をアレアトリック（データ駆動型）とエピステミック（モデル駆動型）に分類し、それぞれに適した推定戦略を提示する。
• 不確実性の定量化に向けた手法として、モンテカルロドロップアウト、ベイジアンニューラルネットワーク、変分推論、MCMCサンプリングをレビューする。
• エントロピー、予測分散、予測区間（PI）推定などの指標を用いて手法を評価する。
• 画像登録、スーパーレゾリューション、結節検出、画像再構成など、多様な医療画像タスクにおける不確実性推定を分析する。
• 臨床状況における不確実性推定の評価のため、マルチエキスパートアノテーションを用いて代替的真のラベルを生成する手法を提案する。
• 不確実性に配慮したセグメンテーションや再構成タスクに、確率的U-Netとガウス過程の利用を議論する。

Figure 1: The example of eye disease screening AI system in the open clinical environment. (A) Traditional deep models are often trained with closed-world assumption, i.e , the distribution of test data is assumed to be similar to the training data distribution. (B) However, when deployed in real cl

実験結果

リサーチクエスチョン

• RQ1 医療画像の深層学習モデルにおいて、アレアトリック型とエピステミック型の不確実性は、どのように効果的に推定され、区別されるべきか？
• RQ2 セグメンテーション、検出、再構成といった異なる医療画像タスクに適した、最も効果的な不確実性推定手法は何か？
• RQ3 不確実性推定は、がん診断のような安全が重要な状況での臨床的意思決定をどのように改善するか？
• RQ4 不確実性の真のラベルが入手できない状況で、不確実性推定手法の評価に直面する主な課題は何か？
• RQ5 画像のノイズ除去、数え上げ、検出といった未だ十分に検討がなされていない医療画像タスクにおいて、不確実性推定がどのように臨床的価値を提供できるか？

主な発見

• 不確実性推定により、低品質または分布外の画像をモデルが特定し、実臨床での導入における安全性が向上する。
• モンテカルロドロップアウトとベイジアンニューラルネットワークは、膠腫瘍の成長予測や肺結節検出といったタスクにおいて、不確 Promise な推定に優れた性能を示している。
• マルチエキスパートアノテーションは、不確実性の真のラベルの代替として有効であり、不確実性推定手法のより信頼性の高い評価を可能にする。
• 計算コストの高さは、特にMCMCや変分推論のような手法において、リアルタイム導入の主要な障壁となっている。
• 不確実性推定は、画像のノイズ除去、数え上げ、検出といったタスクにおいて未だ十分に検討がなされておらず、今後の研究の重要な分野である。
• 不確実性推定の統合により、モデルの信頼性と信頼性が向上し、人間を含む意思決定支援の実現が促進される。

Figure 2: Visualization of the aleatoric (data) and the epistemic (model) uncertainty for the classification model.