[論文レビュー] Artificial Intelligence-Based Detection, Classification and Prediction/Prognosis in PET Imaging: Towards Radiophenomics

Fereshteh Yousefirizi, Pierre Decasez+4 more|arXiv (Cornell University)|Oct 20, 2021

Radiomics and Machine Learning in Medical ImagingMedicine被引用数 1

ひとこと要約

本論文は、画像疫学的手法とディープラーニングを用いて、がん性PETおよびPET/CT画像における自動的検出、分類、予後予測を実現するAI駆動フレームワークを提案する。手動で作成された特徴量とディープラーニングベースの画像特徴抽出を統合し、非侵襲的な腫瘍の特徴付けに向けた微細な画像パターンを抽出する一方で、臨床応用における課題と自然言語処理（NLP）や神経記号的AIといった補完的技術の重要性も強調している。

ABSTRACT

Artificial intelligence (AI) techniques have significant potential to enable effective, robust, and automated image phenotyping including identification of subtle patterns. AI-based detection searches the image space to find the regions of interest based on patterns and features. There is a spectrum of tumor histologies from benign to malignant that can be identified by AI-based classification approaches using image features. The extraction of minable information from images gives way to the field of radiomics and can be explored via explicit (handcrafted/engineered) and deep radiomics frameworks. Radiomics analysis has the potential to be utilized as a noninvasive technique for the accurate characterization of tumors to improve diagnosis and treatment monitoring. This work reviews AI-based techniques, with a special focus on oncological PET and PET/CT imaging, for different detection, classification, and prediction/prognosis tasks. We also discuss needed efforts to enable the translation of AI techniques to routine clinical workflows, and potential improvements and complementary techniques such as the use of natural language processing on electronic health records and neuro-symbolic AI techniques.

研究の動機と目的

• パターン認識を用いてPET/CT画像における注目領域の自動検出を実現するAIベースの手法の開発。
• 画像由来の特徴量を用いて、良性から悪性までの多様な組織像にわたる正確な腫瘍分類を可能にする。
• 手動で作成された特徴量とディープラーニングベースの特徴抽出を組み合わせることで、画像からの非侵襲的腫瘍特徴付けを進める。
• 画像表現型を用いた予測と予後予測を可能にすることで、診断と治療経過のモニタリングを支援する。
• マルチモodalデータ統合を含む、AIを日常的臨床ワークフローに統合するための障壁と解決策を特定する。

提案手法

• 学習された画像パターンと特徴量に基づいて、PET/CT画像をスキャンし注目領域を同定するAIベースの検出を実施。
• 画像特徴量でトレーニングされたAIベースの分類モデルを適用し、良性と悪性の腫瘍組織像を区別する。
• 明示的（手動で作成された）画像疫学的特徴量とディープラーニングベースの画像疫学的フレームワークを用いて、抽出可能な特徴量を抽出する。
• 画像疫学的特徴量とAIを統合し、医療画像からの腫瘍表現型の非侵襲的特徴付けを可能にする。
• 電子的健康記録における自然言語処理（NLP）とAIを統合し、臨床的文脈の理解とモデルの解釈可能性を向上させる。
• 神経記号的AI技術を活用し、推論力、解釈可能性、臨床的知識と画像データの統合を向上させる。

実験結果

リサーチクエスチョン

• RQ1 AIは、パターン認識を用いて、どのようにPET/CT画像における微細な注目領域を効果的に検出できるか？
• RQ2 AIベースの分類は、画像特徴量を用いて、どの程度正確に腫瘍組織像を良性から悪性へと区別できるか？
• RQ3 手動で作成された画像疫学的特徴量とディープラーニングベースの画像疫学的特徴量は、PET画像からの予後予測や診断情報抽出において、それぞれ果たす役割は何か？
• RQ4 AIモデルは、がん画像診断の日常的臨床ワークフローに、どのように統合可能か？
• RQ5 NLPと神経記号的AIは、PET画像におけるAIの解釈可能性と臨床的有用性を、どのような形で向上させ得るか？

主な発見

• AIベースの検出は、複雑な画像パターンを学習することで、PET/CT画像における注目領域の同定に成功している。
• AIベースの分類モデルは、良性から悪性までのスケールにわたる腫瘍組織像の区別に潜在的な可能性を示している。
• 画像疫学的特徴量、特にディープラーニングと組み合わせた場合、腫瘍の強固な非侵襲的特徴付けを可能にする。
• NLPを用いた電子的健康記録とのAI統合により、文脈理解の向上とモデル性能の向上が達成された。
• 神経記号的AI技術は、AI駆動画像診断における解釈可能性と臨床的推論の向上に向けた道筋を提供する。
• PET画像におけるAIの臨床的応用には、標準化、妥当性評価、ワークフロー統合の課題を解決する必要がある。