[論文レビュー] A Scalable Machine Learning Approach for Inferring Probabilistic US-LI-RADS Categorization

Imon Banerjee, Hailey H. Choi+2 more|arXiv (Cornell University)|Jun 15, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 7

ひとこと要約

本論文では、人間によるラベル付けデータを必要とせず、非構造化レントゲン報告書から確率的US-LI-RADS分類を推定するスケーラブルな機械学習モデルを提示する。テンプレート化された報告書から自動抽出された構造化LI-RADSスコアを活用することで、モデルは知識を非構造化報告書へと転送し、肝細胞癌スクリーニングと治療計画の大幅な標準化を可能にするとともに、自動テキストマイニングによりAI駆動の研究を支援する。

ABSTRACT

We propose a scalable computerized approach for large-scale inference of Liver Imaging Reporting and Data System (LI-RADS) final assessment categories in narrative ultrasound (US) reports. Although our model was trained on reports created using a LI-RADS template, it was also able to infer LI-RADS scoring for unstructured reports that were created before the LI-RADS guidelines were established. No human-labelled data was required in any step of this study; for training, LI-RADS scores were automatically extracted from those reports that contained structured LI-RADS scores, and it translated the derived knowledge to reasoning on unstructured radiology reports. By providing automated LI-RADS categorization, our approach may enable standardizing screening recommendations and treatment planning of patients at risk for hepatocellular carcinoma, and it may facilitate AI-based healthcare research with US images by offering large scale text mining and data gathering opportunities from standard hospital clinical data repositories.

研究の動機と目的

• ナラティブ超音波報告書からLI-RADS最終評価カテゴリを推定するスケーラブルで自動化された手法の開発。
• 標準化されたLI-RADSガイドラインが導入される前に行われた非構造化報告書に対してもLI-RADS分類を推定可能にする。
• テンプレート化された報告書から自動抽出された構造化スコアを活用することで、人間によるアノテーションデータを完全に排除する。
• 臨床データリポジトリ全体にわたるスクリーニングおよび治療推奨の標準化を通じて、大規模なデータマイニングとAI研究を支援する。
• 肝細胞癌管理におけるAIベースの医療システムへの放射線学的テキストデータの統合を促進する。

提案手法

• 構造化LI-RADSスコアが含まれるレントゲン報告書でトレーニングされた機械学習パイプラインを使用する。スコアはテンプレート化された報告書から自動抽出される。
• 自然言語処理技術を適用し、関連する画像所見や特徴をLI-RADS基準にマッピングする。
• トランスファーラーニングアプローチにより、構造化報告書から得た知識を、LI-RADSガイドラインが導入される前にも作成された非構造化報告書へと一般化可能である。
• 出力は確率的LI-RADS分類であり、報告書解釈における不確実性と臨床的ばらつきを反映する。
• トレーニングや推論のいかなる段階でも人間によるアノテーションデータは使用せず、既存の報告書からの自動スコア抽出に完全に依存する。
• 大規模な病院電子カルテシステムや臨床データリポジトリにおけるスケーラビリティを想定して設計されている。

実験結果

リサーチクエスチョン

• RQ1 人間によるラベル付けデータを必要とせず、非構造化超音波報告書からLI-RADS分類を推定できるか？
• RQ2 構造化されたテンプレート報告書でトレーニングされたモデルが、LI-RADSガイドライン導入以前の臨床実践から得られた非構造化報告書へどの程度一般化できるか？
• RQ3 報告書から構造化LI-RADSスコアを自動抽出する手法が、非構造化テキストへの下流推論をどの程度正確に支援できるか？
• RQ4 スケーラブルなNLPパイプラインが、肝細胞癌スクリーニングと治療計画の大幅な標準化を可能にするか？
• RQ5 このようなシステムが、超音波画像データに関するAIベースの研究を支援する上で実現可能か？

主な発見

• モデルは、人間によるラベル付けデータを一切必要とせず、非構造化超音波報告書から確率的LI-RADSカテゴリを正常に推定した。
• 構造化報告書から非構造化報告書へ、LI-RADSガイドラインが導入される前にも作成された報告書を含めて、効果的な一般化が達成された。
• 本アプローチにより、レントゲン報告書の大規模かつ自動化された分類が可能となり、肝細胞癌スクリーニングと治療における標準化が支援された。
• 自動抽出された構造化スコアを活用することで、モデルトレーニングにおける高コストな人間によるアノテーションの必要性を回避した。
• 既存の臨床データリポジトリのスケールでのテキストマイニングを可能にするため、AI駆動研究のためのスケーラブルな基盤を提供した。
• モデルの確率的出力は、画像所見解釈における不確実性を反映するため、臨床意思決定を支援する。