[論文レビュー] Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities

Manu S. Goyal, Thomas Knackstedt+2 more|arXiv (Cornell University)|Nov 26, 2019

Cutaneous Melanoma Detection and Management被引用数 15

ひとこと要約

このレビューでは、皮膚がん診断におけるAIベースの画像分類を評価し、臨床的、皮膚鏡的、組織病理学的画像に応用されたディープラーニングモデルに焦点を当てる。制御された環境下ではAIが皮膚科医と同等またはそれを上回る性能を示すが、臨床データ統合の欠如、バイアス、一般化能の制限といった要因により、実臨床応用への障壁が依然として深刻な課題であると指摘している。

ABSTRACT

Recently, there has been great interest in developing Artificial Intelligence (AI) enabled computer-aided diagnostics solutions for the diagnosis of skin cancer. With the increasing incidence of skin cancers, low awareness among a growing population, and a lack of adequate clinical expertise and services, there is an immediate need for AI systems to assist clinicians in this domain. A large number of skin lesion datasets are available publicly, and researchers have developed AI-based image classification solutions, particularly deep learning algorithms, to distinguish malignant skin lesions from benign lesions in different image modalities such as dermoscopic, clinical, and histopathology images. Despite the various claims of AI systems achieving higher accuracy than dermatologists in the classification of different skin lesions, these AI systems are still in the very early stages of clinical application in terms of being ready to aid clinicians in the diagnosis of skin cancers. In this review, we discuss advancements in the digital image-based AI solutions for the diagnosis of skin cancer, along with some challenges and future opportunities to improve these AI systems to support dermatologists and enhance their ability to diagnose skin cancer.

研究の動機と目的

• 複数の画像モodalitiy（画像モodalitiy）を対象としたAI駆動の画像分類が皮膚がん診断において現在どのように展開されているかを評価すること。
• 皮膚科分野におけるAIの実臨床応用を妨げる主な技術的および臨床的課題を特定すること。
• 臨床メタデータとマルチモodalitiyデータの統合を通じてAIの頑健性を向上させる機会を検討すること。
• AIの安全かつ効果的な臨床応用を確保するため、厳密な臨床的妥当性評価とコンピュータビジョンと皮膚科分野の協働を提唱すること。

提案手法

• 2012年から2020年までの査読付き論文を対象とした系統的レビュー（PubMedおよびGoogle Scholarを用い、特定のキーワードで検索）。
• 画像モダリティ（臨床的、皮膚鏡的、組織病理学的画像）ごとにAI性能に関する研究を分類すること。
• 公に利用可能なデータセット（特にISICアーカイブ）の分析と、それらがAIモデルのトレーニングおよびベンチマークに果たす役割の評価。
• モデルの一般化性能を向上させるためのデータ拡張、GAN、転移学習の手法の評価。
• 画像特徴と臨床メタデータを組み合わせたハイブリッドモデルが診断精度を向上させる可能性の検討。
• 皮膚科医の診断プロセスを模倣するマルチモダリティパイプラインの検討。

実験結果

リサーチクエスチョン

• RQ1 AIモデルは、異なる画像モダリティにおいて、皮膚がんの病変を分類する際、皮膚科医と比較してどの程度の性能を示すか？
• RQ2 AIが皮膚がん診断における実臨床応用に制限を受ける主な技術的および臨床的課題は何か？
• RQ3 画像データに臨床メタデータを統合することで、AIの診断精度は向上するか？
• RQ4 データ拡張および生成モデルは、モデルの頑健性および一般化性能をどのように向上させ得るか？
• RQ5 厳密な臨床的妥当性評価は、皮膚科分野におけるAIの安全かつ効果的な導入を確保するために果たす役割は何か？

主な発見

• 皮膚鏡的および臨床的画像でトレーニングされたAIモデルは、制御された研究において、国家資格を持つ皮膚科医と同等またはそれ以上の性能を示した。
• 画像データのみでトレーニングされたディープラーニングモデルは、特に肌の色が濃いタイプの被験者に不足していることから、多様な集団への一般化に失敗する傾向がある。
• 患者の既往歴やライフスタイル要因といった臨床メタデータを統合した研究では、バランスの取れた予測精度が約7%向上した。
• 完全な皮膚科医の診断プロセスを再現するには、皮膚鏡的および組織病理学的データを含むマルチモダリティデータの統合が、現在のAIシステムでは不足している。
• 研究環境での高水準な性能と、実臨床応用における実際の効果の間には、著しいギャップが存在する。その理由は、データノイズ、バイアス、多様な集団における妥当性の欠如に起因する。
• AIツールを臨床現場に安全に導入するためには、AI研究者と皮膚科医の間の協働および厳密な臨床的妥当性評価が不可欠である。