[論文レビュー] COVID-19: A Survey on Public Medical Imaging Data Resources

Roman Kalkreuth, Paul Kaufmann|arXiv (Cornell University)|Apr 8, 2020

COVID-19 diagnosis using AI参考文献 8被引用数 25

ひとこと要約

本サーベイは、COVID-19関連のCT、レントゲン、超音波画像と関連メタデータを含む、公開可能な医療画像データセットを収集・分類している。AIおよび機械学習研究を支援するため、診断の高速化とモデル開発を促進するオープンデータソースを統合しており、早期検出および分類精度の向上に注力している。

ABSTRACT

This regularly updated survey provides an overview of public resources that offer medical images and metadata of COVID-19 cases. The purpose of this survey is to simplify the access to open COVID-19 image data resources for all scientists currently working on the coronavirus crisis.

研究の動機と目的

• COVID-19症例の公開可能な医療画像データセットを統合・文書化し、AI駆動の研究を支援すること。
• 機械学習モデルのトレーニングおよび検証に用いるために、大規模でオープンかつ適切にアノテーションが施された医療画像データの不足を是正すること。
• COVID-19の早期検出および分類に取り組む研究者による、画像リソースへの迅速なアクセスを促進すること。
• 倫理的かつプライバシーに配慮した条件のもとで、画像データのオープンアクセスを推進することで、データ共有と透明性を促進すること。
• パンデミック期に信頼できる公開可能な画像データを求める科学者たちのための、定期的に更新される参照資料としての役割を果たすこと。

提案手法

• 多様な機関およびプラットフォームから、COVID-19関連の公開可能な医療画像データセットを体系的に収集・分類すること。
• 画像モodaliti（CT、レントゲン、MRT、超音波）の有無、メタデータの有無、症例レビューの有無に基づいてデータセットを分類すること。
• 13の主要なデータセットにおけるデータ可用性を示すために、標準化されたラベル（Y = あり、N = なし、U = 不明）を用いること。
• アレン・インスティテュート・フォー・AI、カリフォルニア大学サンディエゴ校、ヨーロッパ放射線学会などの主要機関からのリソースを含めること。
• 新しいデータリリースやコミュニティからの貢献を反映するため、サーベイの定期的な更新を実施すること。
• データの正確性および完全性を維持するため、コミュニティからの寄稿および誤植報告を奨励すること。

実験結果

リサーチクエスチョン

• RQ1 現在、研究者が利用可能な公的医療画像データセットは、COVID-19についてどれだけ存在するか？
• RQ2 CT、レントゲン、超音波など、どの画像モダリティが既存の公的データセットに最も多く含まれているか？
• RQ3 異なる公的データリソースにおいて、メタデータおよび症例レベルのアノテーションはどの程度包括的か？
• RQ4 AIおよび機械学習の応用において、COVID-19診断の分野におけるオープンデータの可用性の現状はいかなるものか？
• RQ5 研究者はどのようにして、信頼できるオープンソースの医療画像データに効率的にアクセスできるか？

主な発見

• 本サーベイは、アレン・インスティテュート・フォー・AI、カリフォルニア大学サンディエゴ校、ヨーロッパ放射線学会プラットフォームなど、さまざまな機関からの13の公的医療画像リソースを同定した。
• CTおよびレントゲン画像が最も一般的に利用可能であり、13のデータセットのうち10つがCTまたはレントゲンスキャンを提供している。
• 13のデータセットのうち11つでメタデータが利用可能であり、データの出所および症例レベルの情報への支援が強い。
• 13のデータセットのうち5つで症例レビューが存在し、臨床的アノテーションの利用可能性は限定的だが、徐々に増加している。
• SIRM COVID-19データベースおよびeurorad.orgは、CT、レントゲン、メタデータに加え、症例レベルのレビューを提供する、最も大きなリポジトリの一つである。
• 本サーベイは、オープンデータへのアクセスの重要性を強調し、研究者がこのリソースに貢献し、引用することで、データの可用性および研究の再現性を向上させることを奨励している。