[論文レビュー] A Systematic Review of Generalization Research in Medical Image Classification

Sarah Matta, Mathieu Lamard+5 more|arXiv (Cornell University)|Mar 18, 2024

AI in cancer detection被引用数 1

ひとこと要約

本システマティックレビューは、医療画像分類における深層学習のための最先端のドメイン一般化手法を統合し、変数シフトまたはコンセプトシフトのタイプに応じてアプローチを分類している。学習ベースの手法が両シフトタイプのための新たな解決策として浮上しており、評価プロトコルの改善とマルチモーダルでプライバシーを保護するフレームワークの構築が、臨床現場における強固で一般化可能なAIを実現するために不可欠であることを強調している。

ABSTRACT

Numerous Deep Learning (DL) classification models have been developed for a large spectrum of medical image analysis applications, which promises to reshape various facets of medical practice. Despite early advances in DL model validation and implementation, which encourage healthcare institutions to adopt them, a fundamental questions remain: how can these models effectively handle domain shift? This question is crucial to limit DL models performance degradation. Medical data are dynamic and prone to domain shift, due to multiple factors. Two main shift types can occur over time: 1) covariate shift mainly arising due to updates to medical equipment and 2) concept shift caused by inter-grader variability. To mitigate the problem of domain shift, existing surveys mainly focus on domain adaptation techniques, with an emphasis on covariate shift. More generally, no work has reviewed the state-of-the-art solutions while focusing on the shift types. This paper aims to explore existing domain generalization methods for DL-based classification models through a systematic review of literature. It proposes a taxonomy based on the shift type they aim to solve. Papers were searched and gathered on Scopus till 10 April 2023, and after the eligibility screening and quality evaluation, 77 articles were identified. Exclusion criteria included: lack of methodological novelty (e.g., reviews, benchmarks), experiments conducted on a single mono-center dataset, or articles not written in English. The results of this paper show that learning based methods are emerging, for both shift types. Finally, we discuss future challenges, including the need for improved evaluation protocols and benchmarks, and envisioned future developments to achieve robust, generalized models for medical image classification.

研究の動機と目的

• 医療画像分類におけるドメインシフトに起因するモデル性能の低下という重要な課題に対処すること。
• 変数シフトとコンセプトシフトを区別できるように、ドメイン一般化技術を体系的にレビューすること。
• 評価プロトコルの不備や標準化されたベンチマークの欠如といった、メソドロジカルなギャップを特定すること。
• マルチモーダル学習、フェデレーテッドドメイン一般化、敵対的および分布外シフトに対する耐性の向上といった、今後の研究分野を検討すること。
• 再現性と臨床現場でのAIモデルへの信頼性を高めるために、統一された用語法と評価フレームワークを提唱すること。

提案手法

• 主にScopusをデータベースとして用い、ドメイン一般化、医療画像、シフトタイプをキーワードにしたシステマティックレビューを実施。
• 厳格な受容基準を適用：メソドロジカルな新規性を有する原著論文、複数施設または複数ドメインのデータセット、英語での論文に限定。
• 初期サーチおよび品質評価後、77件の論文をスクリーニング。レビュー論文、ベンチマーク研究、単一施設データを用いた研究は除外。
• 変数シフト（データ分布の変化）とコンセプトシフト（ラベル関係の変化）の種類に応じて、ドメイン一般化手法の分類法を提唱。
• データ拡張、表現学習、モデル最適化の3つのカテゴリーに分類して分析し、ラベルノイズやデータの非同一性に対処する技術に重点を置いた。
• フェデレーテッドラーニングとマルチモーダルラーニングの知見を統合し、臨床現場でのデータプライバシー保護とデータ多様性の課題に対処。

実験結果

リサーチクエスチョン

• RQ1 医療画像分類におけるドメイン一般化の最先端の手法は何か。また、シフトタイプごとにどのように分類されるか？
• RQ2 既存の手法は、画像取得プロトコル、機器、または取得パrameterの違いに起因する変数シフトをどのように対処しているか？
• RQ3 医師間のラベル付け差異や一貫性のないラベルスキームに起因するコンセプトシフトは、どの程度軽減されているか？
• RQ4 この分野における評価プロトコル、ベンチマーク、用語の標準化における主な制限要因は何か？
• RQ5 マルチモーダルラーニング、フェデレーテッドドメイン一般化、フォーメーションモデルといった、強固で一般化可能な医療AIを実現するための有望な今後の研究分野は何か？

主な発見

• システマティックスクリーニングにより77件の高品質な研究が同定され、医療画像におけるドメイン一般化分野への研究関心の高まりが裏付けられた。
• 学習ベースの手法が、特に表現学習とデータ拡張において、変数シフトおよびコンセプトシフトの両方の問題に対して有効な解決策として浮上している。
• 評価分野には依然として大きな課題が残っており、特に分布外一般化のための標準化されたベンチマークやプロトコルの欠如が顕著である。
• フェデレーテッドドメイン一般化は、生データを共有せずに多施設連携を可能にしつつもデータプライバシーを保護する有望なアプローチである。
• 画像、電子的健康記録（EHR）、ゲノムを統合するマルチモーダル統合は、機会とリスクの両方を伴う。特に、適切に管理されない場合、生成されたデータシフトを引き起こす可能性がある。
• シフトタイプ（例：変数シフト対コンセプトシフト）を統一した用語法が欠如しており、これが研究間の再現性と比較可能性を阻害している。