[論文レビュー] Algorithms for screening of Cervical Cancer: A chronological review

Yasha Singh, Dhruv Srivastava+2 more|arXiv (Cornell University)|Nov 2, 2018

AI in cancer detection参考文献 11被引用数 11

ひとこと要約

本論文は、公表済みデータセットを用いたAI駆動の子宮頸がんスクリーニングにおけるアプローチの包括的分析を提供する、機械学習アルゴリズムの時系列的レビューである。SVM、畳み込みニューラルネットワーク（CNN）、ランダムフォレスト、GLCMを用いた細胞分離および分類の手法を評価し、正確性、データセットの活用、計算効率の分野における主な進歩を強調している。

ABSTRACT

There are various algorithms and methodologies used for automated screening of cervical cancer by segmenting and classifying cervical cancer cells into different categories. This study presents a critical review of different research papers published that integrated AI methods in screening cervical cancer via different approaches analyzed in terms of typical metrics like dataset size, drawbacks, accuracy etc. An attempt has been made to furnish the reader with an insight of Machine Learning algorithms like SVM (Support Vector Machines), GLCM (Gray Level Co-occurrence Matrix), k-NN (k-Nearest Neighbours), MARS (Multivariate Adaptive Regression Splines), CNNs (Convolutional Neural Networks), spatial fuzzy clustering algorithms, PNNs (Probabilistic Neural Networks), Genetic Algorithm, RFT (Random Forest Trees), C5.0, CART (Classification and Regression Trees) and Hierarchical clustering algorithm for feature extraction, cell segmentation and classification. This paper also covers the publicly available datasets related to cervical cancer. It presents a holistic review on the computational methods that have evolved over the period of time, in chronological order in detection of malignant cells.

研究の動機と目的

• 2000年から2018年までの間における、機械学習アルゴリズムが子宮頸がんスクリーニングに応用されてきた経緯を分析すること。
• 標準的な指標（正確性、データセットサイズなど）を用いて、さまざまなAI技術の細胞分離および分類におけるパフォーマンスを評価すること。
• データセットの不足やモデルの一般化能力の制限といった、既存の手法における限界と課題を特定すること。
• 悪性子宮頸細胞の早期発見のための計算手法について、包括的な概要を提供すること。

提案手法

• AIを子宮頸がんスクリーニングに統合した、査読済み研究論文の体系的レビュー。
• 特徴抽出（例：GLCM、空間的ファジィクラスタリング）、分離（例：k-NN、MARS）、分類（例：SVM、CNN、PNN）に分類されたアルゴリズムの分類。
• データセットサイズ、正確性、計算複雑性に基づいて手法の評価。
• Papsmearなどの公開済みデータセットを含め、ベンチマークに使用されたデータセット。
• 従来の機械学習からディープラーニングモデルへのアルゴリズムの進化を時系列的に分析。
• 感度、特異度、F1スコアといった統計的指標を用いて、研究間でのモデルパフォーマンスを比較。

実験結果

リサーチクエスチョン

• RQ1 2000年から2018年までの間、機械学習アルゴリズムは子宮頸がんスクリーニングへの応用においてどのように進化したか？
• RQ2 悪性と良性の子宮頸細胞を分類する際、どの機械学習モデルが最も高い正確性を示したか？
• RQ3 特にデータセットサイズとモデルの一般化能力に関して、既存のアルゴリズムの主な限界は何か？
• RQ4 GLCMやSVMなどの異なる特徴抽出技術は、子宮頸細胞分類においてどのように性能を発揮するか？
• RQ5 公開済みデータセットは、自動子宮頸がんスクリーニング分野の研究を進展させる上で果たす役割は何か？

主な発見

• 畳み込みニューラルネットワーク（CNN）は、SVM や k-NN といった従来手法に比べ、細胞分類において優れた正確性を示した。
• サポートベクターマシン（SVM）は中程度のデータセットサイズでも良好なパフォーマンスを示し、複数の研究で90％を超える正確性を達成した。
• ランダムフォレストツリー（RFT）とC5.0意思決定ツリーは、高次元特徴の処理に効果的で、良好な一般化能力を示した。
• GLCMを用いたテクスチャ解析は、特徴抽出の分野で一貫して使用され、分類正確性に顕著な貢献をした。
• Papsmearなどの公開済みデータセットは広く使用されたが、多くの研究でデータセットサイズが限定的であり、モデルの頑健性に影響を与えた。
• CNNのようなディープラーニングモデルの統合は、子宮頸がんスクリーニングにおける正確性と自動化の向上に顕著な転換をもたらした。