[論文レビュー] An Interpretable Deep Hierarchical Semantic Convolutional Neural Network for Lung Nodule Malignancy Classification

Shiwen Shen, Simon Han+3 more|arXiv (Cornell University)|Jun 2, 2018

Lung Cancer Diagnosis and Treatment参考文献 21被引用数 9

ひとこと要約

本論文は、CTスキャンを用いた肺結節の悪性度分類のための、解釈可能な深層階層的意味的畳み込みニューラルネットワーク（HSCNN）を提案する。5名の放射線科医が定義した意味的特徴（例：縁の明瞭さ、テクスチャ、球形度）と悪性度スコアを統一損失関数を用いて同時に予測することで、解釈性を向上させるとともに、LIDCデータセットにおいて標準的な3D CNNよりも優れた性能を達成した。

ABSTRACT

While deep learning methods are increasingly being applied to tasks such as computer-aided diagnosis, these models are difficult to interpret, do not incorporate prior domain knowledge, and are often considered as a "black-box." The lack of model interpretability hinders them from being fully understood by target users such as radiologists. In this paper, we present a novel interpretable deep hierarchical semantic convolutional neural network (HSCNN) to predict whether a given pulmonary nodule observed on a computed tomography (CT) scan is malignant. Our network provides two levels of output: 1) low-level radiologist semantic features, and 2) a high-level malignancy prediction score. The low-level semantic outputs quantify the diagnostic features used by radiologists and serve to explain how the model interprets the images in an expert-driven manner. The information from these low-level tasks, along with the representations learned by the convolutional layers, are then combined and used to infer the high-level task of predicting nodule malignancy. This unified architecture is trained by optimizing a global loss function including both low- and high-level tasks, thereby learning all the parameters within a joint framework. Our experimental results using the Lung Image Database Consortium (LIDC) show that the proposed method not only produces interpretable lung cancer predictions but also achieves significantly better results compared to common 3D CNN approaches.

研究の動機と目的

• 肺結節診断に用いられる深層学習モデルにおける解釈性の欠如に対処すること。
• 意味的特徴予測を通じて放射線科医の専門的知識を深層学習フレームワークに統合すること。
• 低レベルの意味的特徴と高レベルの悪性度予測を同時に学習することで、悪性度分類性能を向上させること。
• ハンドクラフト特徴量やセグメンテーションマスクに依存することを減らし、エンドツーエンドのデータ駆動型アプローチを採用すること。
• 臨床的に関連する診断特徴を用いて予測の根拠を説明できるモデルを構築すること。

提案手法

• HSCNNアーキテクチャは、共有畳み込み層に続く、5つの意味的特徴（石灰化、縁の明瞭さ、曇度、テクスチャ、球形度）のためのタスク固有の分岐を含む。
• 低レベルの意味的特徴予測を高レベルの悪性度分類経路に統合するためにジャンプ接続が用いられる。
• 意味的特徴予測と悪性度分類の両タスクの損失を統合したグローバル損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 意味的特徴に二値ラベル（例：棘状 vs. 非棘状）を適用することで、読影者間のばらつきとデータスパarsityを低減する。
• 3D CTボリュームを用いてLIDC/IDRIデータセット上でモデルを学習し、ジョイント最適化によりタスク間での特徴共有を可能にする。
• 最終的な悪性度予測は、共有バックボーンと中間段階の意味的出力から学習された表現によって情報提供を受ける。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、臨床的に関連する意味的特徴と悪性度スコアを同時に予測しつつ、放射線科医にとって解釈可能であるか？
• RQ2 意味的特徴と悪性度予測を同時に学習することで、標準的な3D CNNと比較して分類性能が向上するか？
• RQ3 専門家が定義した意味的出力を組み込むことで、精度を損なうことなくモデルの解釈性がどの程度向上するか？
• RQ4 二値化された意味的特徴ラベルの使用は、読影者間のばらつきが生じる状況下でも、性能と頑健性にどのように影響を与えるか？
• RQ5 このモデルは、臨床的意思決定を支援する意味的特徴生成器として機能できるか？

主な発見

• HSCNNは、統計的検定により確認されたように、LIDCデータセットにおいて標準的な3D CNNよりも顕著に優れた悪性度分類性能を達成した。
• 意味的特徴（例：縁の明瞭さ、テクスチャ）に対するモデルの予測は、放射線科医の解釈と整合的であり、診断の透明性を向上させた。
• グローバル損失関数を用いたジョイントトレーニングにより、タスク間での特徴一般化が向上し、全体的な性能が向上した。
• 意味的特徴の二値ラベル化により、読影者間のばらつきに起因するノイズが低減され、特に低頻度スケールにおいてモデルの安定性が向上した。
• 意味的特徴予測の組み込みにより、悪性度予測の根拠を理解できるようになり、モデルの解釈性が顕著に向上した。
• HSCNNフレームワークは拡張可能であり、追加の意味的特徴の統合や、他の医療画像分野への応用が可能である。