[論文レビュー] AI in Thyroid Cancer Diagnosis: Techniques, Trends, and Future Directions

Yassine Habchi, Yassine Himeur+6 more|arXiv (Cornell University)|Aug 25, 2023

Thyroid Cancer Diagnosis and Treatment被引用数 7

ひとこと要約

本論文は、甲状腺がん診断におけるAI技術、特にディープラーニングと機械学習のレビューを行い、アルゴリズムタイプ、目的、コンピューティングプラットフォームの観点からAI手法を新しい分類法で提示している。データ品質やモデルの解釈可能性といった主な課題を特定するとともに、説明可能なAIやエッジコンピューティングといった新たなトレンドを強調し、臨床現場における診断精度とプライバシーの向上を図っている。

ABSTRACT

There has been a growing interest in creating intelligent diagnostic systems to assist medical professionals in analyzing and processing big data for the treatment of incurable diseases. One of the key challenges in this field is detecting thyroid cancer, where advancements have been made using machine learning (ML) and big data analytics to evaluate thyroid cancer prognosis and determine a patient's risk of malignancy. This review paper summarizes a large collection of articles related to artificial intelligence (AI)-based techniques used in the diagnosis of thyroid cancer. Accordingly, a new classification was introduced to classify these techniques based on the AI algorithms used, the purpose of the framework, and the computing platforms used. Additionally, this study compares existing thyroid cancer datasets based on their features. The focus of this study is on how AI-based tools can support the diagnosis and treatment of thyroid cancer, through supervised, unsupervised, or hybrid techniques. It also highlights the progress made and the unresolved challenges in this field. Finally, the future trends and areas of focus in this field are discussed.

研究の動機と目的

• AIアルゴリズムタイプ、応用目的、コンピューティングプラットフォームに基づいて、甲状腺がん診断に用いられるAIベースの技術を体系的かつ分類すること。
• データの特徴、サイズ、臨床的関連性の観点から、既存の甲状腺がんデータセットを評価し、データの不足を特定すること。
• 教師あり、教師なし、ハイブリッドAIモデルの性能と限界を、甲状腺腫瘍の同定および悪性度分類の文脈で分析すること。
• 清澄で標準化されたデータセットの不足や、臨床応用におけるモデルの解釈可能性の欠如といった未解決の課題を特定すること。
• 説明可能なAI（XAI）、フェデレーテッドラーニング、エッジコンピューティングといった今後の研究分野を検討し、診断精度と患者のプライバシーを向上させること。

提案手法

• AIアルゴリズムタイプ（例：CNN、SVM、XGBoost）、目的（例：分類、セグメンテーション）、コンピューティングプラットフォーム（例：クラウド、エッジ、フォッグ）を軸にした、甲状腺がん診断におけるAI技術のための新しい多次元的分類フレームワークを提案する。
• 特徴、サンプルサイズ、画像モality、臨床アノテーションの観点から、15個以上の公開済み甲状腺がんデータセット（例：TCD、TCGA、SEER、WBCD）をレビュー・比較する。
• 腫瘍分類およびリスク予測に用いられる教師あり学習モデル（例：CNN、ランダムフォレスト、SVM）および教師なし手法（例：クラスタリング、オートエンコーダー）の性能を分析する。
• 一般化性能の向上と臨床的信頼性の強化を目的とした、転移学習、フェデレーテッドラーニング、説明可能なAI（XAI）といった新規AIパラダイムを評価する。
• 従来の機械学習とディープラーニングを組み合わせたハイブリッドアプローチ（例：CNN + XGBoost）を統合し、診断精度と耐障害性を向上させる。
• パノプティックセグメンテーション、データ増強のための生成的敵対ネットワーク（GANs）、適応的意思決定支援のための強化学習といった高度な技術の役割を議論する。

Figure 1: (a) The different kinds of cancer and (b) Thyroid cancer detection methods.

実験結果

リサーチクエスチョン

• RQ1 CNN、SVM、XGBoostといった異なるAIアルゴリズムは、甲状腺腫瘍を良性または悪性に分類する際、性能においてどのように比較されるか？
• RQ2 現在の甲状腺がんデータセットにおける主な制限要因（データ品質、サイズ、特徴の多様性）は何か？
• RQ3 説明可能なAI（XAI）とフェデレーテッドラーニングは、臨床応用におけるモデルの透明性とプライバシー保護をどのように向上させるか？
• RQ4 CNN + エンsemble手法といったハイブリッドAIモデルは、診断精度と耐障害性の向上にどのように寄与するか？
• RQ5 エッジコンピューティングやパノプティックセグメンテーションといった新技術は、リアルタイムで正確かつプライバシーを守った甲状腺がん診断をどのように進展させるか？

主な発見

• 特に畳み込みニューラルネットワーク（CNN）を含むディープラーニングモデルは、従来の機械学習手法に比べ、甲状腺腫瘍の分類において優れた正確性を示している。
• 標準化され、高品質で大規模なデータセットが不足していることが、甲状腺がん診断に向けた強固で汎用性のあるAIモデルを訓練するうえでの主要な障壁のままである。
• 説明可能なAI（XAI）とフェデレーテッドラーニングは、臨床応用におけるモデルの解釈性向上と患者データのプライバシー保護を実現する上で、重要な促進要因として浮上している。
• CNNとアンサンブル手法（例：XGBoost、ランダムフォレスト）を組み合わせたハイブリッドモデルは、特徴抽出と意思決定レベルの統合を活用することで、性能が向上している。
• パノプティックセグメンテーションや3次元ベースのディープラーニングアプローチは、正確な体積的腫瘍検出および特徴評価に有望であるが、3次元アノテーション済みデータセットの不足が課題となっている。
• 生成的AIモデル（例：GAN）は、希少な甲状腺がん亜型のデータ増強に有効であり、モデルの一般化性能の向上と過学習の低減に貢献する。

Figure 2: Taxonomy of the thyroid cancer detection schemes based in AI.