[論文レビュー] Artificial Intelligence For Breast Cancer Detection: Trends & Directions.

Shahid Munir Shah, Rizwan Ahmed Khan+2 more|arXiv (Cornell University)|Oct 3, 2021

AI in cancer detection参考文献 173被引用数 5

ひとこと要約

本論文は、マンモグラフィ画像に応用された深層学習手法に焦点を当て、AI駆動の乳がん検出に関する包括的なレビューを提供している。画像診断モodalities、データセット、最先端のCNNアーキテクチャを評価し、信頼性の高い、解釈可能なAIシステムによる早期診断を支援するため、説明可能性と臨床統合の課題に重点を置いている。

ABSTRACT

In the last decade, researchers working in the domain of computer vision and Artificial Intelligence (AI) have beefed up their efforts to come up with the automated framework that not only detects but also identifies stage of breast cancer. The reason for this surge in research activities in this direction are mainly due to advent of robust AI algorithms (deep learning), availability of hardware that can train those robust and complex AI algorithms and accessibility of large enough dataset required for training AI algorithms. Different imaging modalities that have been exploited by researchers to automate the task of breast cancer detection are mammograms, ultrasound, magnetic resonance imaging, histopathological images or any combination of them. This article analyzes these imaging modalities and presents their strengths, limitations and enlists resources from where their datasets can be accessed for research purpose. This article then summarizes AI and computer vision based state-of-the-art methods proposed in the last decade, to detect breast cancer using various imaging modalities. Generally, in this article we have focused on to review frameworks that have reported results using mammograms as it is most widely used breast imaging modality that serves as first test that medical practitioners usually prescribe for the detection of breast cancer. Second reason of focusing on mammogram imaging modalities is the availability of its labeled datasets. Datasets availability is one of the most important aspect for the development of AI based frameworks as such algorithms are data hungry and generally quality of dataset affects performance of AI based algorithms. In a nutshell, this research article will act as a primary resource for the research community working in the field of automated breast imaging analysis.

研究の動機と目的

• 乳がん検出に用いられる主な医用画像診断モダリティの強みと限界を分析すること。
• 過去10年間にわたりマンモグラフィに応用されたAIおよびコンピュータビジョン技術（特に深層学習）をレビューすること。
• 自動乳がん検出に取り組む研究者たちが利用可能な、アクセス可能な公開データセットを収集すること。
• 放射線科医の信頼を得るために、臨床意思決定支援システムにおける説明可能なAIの重要性を強調すること。
• AIベースの自動乳がん画像解析システムを開発する研究者たちへのロードマップを提供すること。

提案手法

• 2010年から2021年までの間における、乳がん検出におけるAIおよびコンピュータビジョン手法に関する体系的レビュー。
• AIアルゴリズムを従来の機械学習（手作業で特徴を抽出）と深層学習（エンドツーエンドの特徴学習）に分類すること。
• 医用画像解析の主流を占める畳み込みニューラルネットワーク（CNN）の詳細な分析。
• マンモグラフィおよび組織病理画像に応用された代表的な事前学習済みCNNアーキテクチャ（例：VGG、ResNet、DenseNet）の評価。
• マンモグラフィ、超音波、MRI、組織病理学など、各画像診断モダリティごとに直接リンクを含めた公開可能なデータセットの収集。
• データ不足、モデルの解釈可能性、深層学習の「ブラックボックス」特性といった課題の議論。

実験結果

リサーチクエスチョン

• RQ1 AIを用いた乳がん検出において、どの画像診断モダリティが最も効果的であり、それぞれの強みと限界は何か？
• RQ2 特にCNNを用いた深層学習モデルは、マンモグラムを用いた自動乳がん検出分野で、どのように最新の技術水準を向上させたか？
• RQ3 AIモデルのトレーニングおよび評価に利用可能な、公開可能で完全にラベル付けされたデータセットは、どのようなものがあるか？
• RQ4 なぜモデルの説明可能性が放射線科におけるAIの臨床的受容において重要であり、現在のところその達成にどのような制限があるのか？
• RQ5 AIベースの意思決定支援システムを日常臨床業務に統合する際の主な障壁は何か？

主な発見

• マンモグラフィは、乳がんスクリーニングにおいて最も広く使用され、アクセスが容易な画像診断モダリティであり、ラベル付きデータセットが豊富に存在する。
• 深層学習モデル、特にCNNベースのアーキテクチャは、従来の機械学習手法に比べ、乳がんの検出およびステージングにおいて顕著に優れた性能を示している。
• 大規模で正確にラベル付けされたデータセットの存在は、医用画像解析における高性能なAIモデルを訓練する上で不可欠な要因である。
• 高い精度を示しても、深層学習モデルはしばしば「ブラックボックス」として扱われ、臨床現場での信頼性と採用が制限される。
• 医師たちがAI意思決定の説明可能性と解釈可能性を最優先事項として挙げており、透明性があり解釈可能なAIモデルの開発が急務である。
• AIを臨床ワークフローに統合するには、技術的正確性に加え、倫理的フレームワークと規制基準の整備が必要であり、安全性と責任の確保が不可欠である。