[論文レビュー] Artificial intelligence technology in oncology: a new technological paradigm

Mario Coccia|arXiv (Cornell University)|May 14, 2019

Radiomics and Machine Learning in Medical Imaging被引用数 10

ひとこと要約

本稿では、人工知能（AI）、特にディープラーニングが、画像診断を用いた肺がん、乳がん、頭頸部がんのがんのより正確な検出、特徴の解明、経過観察の向上に寄与していると提唱している。本稿は「死亡率主導のAI技術的トレジェクトリ」、つまり、がん死亡率の高い状況がAIの革新を加速させるという概念を提示し、検証済みのAIツールが病理医の作業効率と患者の予後を向上させることで、がん診断分野におけるパラダイム転換が目前に迫っていると示唆している。

ABSTRACT

Artificial Intelligence (AI) technology is based on theory and development of computer systems able to perform tasks that normally require human intelligence. In this context, deep learning is a family of computational methods that allow an algorithm to program itself by learning from a large set of examples that demonstrate the desired behavior. Application of these methods to medical imaging can assist pathologists in the detection of cancer subtype, gene mutations and/or metastases for applying appropriate therapies. The purpose of this study is to show the emerging application of AI in medical imaging to detect lung and breast cancer. Moreover, this study shows the comparative evolutionary pathways of this emerging technology for three critical cancers: lung, breast and thyroid. A main finding of this study is the recognition that, since the late 1990, the sharp increase of technological trajectories of AI technology applied in cancer imaging seems to be driven by high rates of mortality of some types of cancer (e.g., lung and breast) in order to find new techniques for a more accurate detection, characterization and monitoring as well as to apply efficiently anticancer therapies that increase the progression-free survival of patients: the so-called mortality-driven AI technological trajectories. Results also suggest that this new technology can generate a technological paradigm shift for diagnostic assessment of any cancer type. However, application of these methods to medical imaging requires further assessment and validation to assist pathologists to increase the efficiency of their workflow in both routine tasks and critical cases of diagnostics.

研究の動機と目的

• AIが腫瘍学分野における新たな役割を果たしていること、特にがんの検出・診断における画像診断分野での役割を検討すること。
• 肺がん、乳がん、頭頸部がんの3大がんにおけるAIアプリケーションの技術的トレジェクトリを分析すること。
• 高死亡率のがん、例えば肺がんや乳がんが、腫瘍学におけるAIイノベーションの加速を促しているかどうかを調査すること。
• AIががん診断のワークフローにパラダイムシフトをもたらす可能性を評価すること。

提案手法

• 本研究は、1990年代後半以降のがん死亡率とAI開発に関するデータを用いて、腫瘍学におけるAIの技術的トレジェクトリを分析する。
• 比較的進化的な経路分析を用いて、肺がん、乳がん、頭頸部がんの画像診断におけるAIアプリケーションの成長と影響を追跡する。
• 本研究は、大量の医用画像データから学習することで自己プログラミングが可能な、ディープラーニング手法を用いる。
• 本研究は、画像データ内のパターン認識を通じて、がん亜型、遺伝子変異、転移の検出におけるAIのパフォーマンスを評価する。
• 異なるがん種におけるAIアプリケーションの技術的進歩の速度を比較し、死亡率主導のイノベーションパターンを同定する。
• 日常的および複雑な診断タスクにおける臨床病理学ワークフローへのAI統合の実現可能性と影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 AI技術は腫瘍学分野、特にがん検出の画像診断分野でどのように進化してきたのか？
• RQ2 肺がんや乳がんのような高死亡率のがんが、腫瘍学におけるAI開発をどの程度加速させているのか？
• RQ3 肺がん、乳がん、頭頸部がんにおけるAIの技術的トレジェクトリは、どのように比較されるか？
• RQ4 腫瘍学分野におけるAIアプリケーションは、がん診断のアセスメントにパラダイムシフトをもたらす可能性があるか？
• RQ5 AIは、日常的および複雑な症例において病理医の診断の効率性と正確性を向上させる支援をどのように行えるか？

主な発見

• 1990年代後半以降、特に肺がんや乳がんのように死亡率の高いがんに対して、腫瘍学分野におけるAI技術の技術的トレジェクトリが急激に上昇している。
• 本研究は「死亡率主導のAI技術的トレジェクトリ」を同定した。これは、がん死亡率の高い状況が、より良い検出と治療のためのAI革新を加速させることを示している。
• 医用画像に適用されたディープラーニングモデルは、がん亜型、遺伝子変異、転移の高精度な検出において強力な可能性を示している。
• 病理学ワークフローへのAI統合は、診断の効率性を顕著に向上させ、臨床意思決定を支援する可能性がある。
• 肺がんや乳がんは、甲状腺がんと比較して、より急速にAI開発のトレジェクトリを進展させており、これは死亡率の高さと相関している。
• 研究結果は、AIがすべてのがん種においてがん診断分野における技術的パラダイムシフトをもたらす可能性を示唆している。