[論文レビュー] Deep Learning Applications for Lung Cancer Diagnosis: A systematic review

Hesamoddin Hosseini, Reza Monsefi+1 more|arXiv (Cornell University)|Jan 1, 2022

Lung Cancer Diagnosis and Treatment被引用数 5

ひとこと要約

本システマティックレビューでは、特に畳み込みニューラルネットワーク（CNN）を用いた深層学習モデルが、画像診断を用いた早期肺がん診断にどのように適用されているかを評価している。2016年から2021年までの32件の研究を分析した結果、モデルの一般化、データ品質、臨床応用統合に関する主な課題が特定された一方で、結節検出および分類における最新の正確性と感受性の高さが強調され、臨床医および研究者にとって実用的な知見が得られた。

ABSTRACT

Lung cancer has been one of the most prevalent disease in recent years. According to the research of this field, more than 200,000 cases are identified each year in the US. Uncontrolled multiplication and growth of the lung cells result in malignant tumour formation. Recently, deep learning algorithms, especially Convolutional Neural Networks (CNN), have become a superior way to automatically diagnose disease. The purpose of this article is to review different models that lead to different accuracy and sensitivity in the diagnosis of early-stage lung cancer and to help physicians and researchers in this field. The main purpose of this work is to identify the challenges that exist in lung cancer based on deep learning. The survey is systematically written that combines regular mapping and literature review to review 32 conference and journal articles in the field from 2016 to 2021. After analysing and reviewing the articles, the questions raised in the articles are being answered. This research is superior to other review articles in this field due to the complete review of relevant articles and systematic write up.

研究の動機と目的

• 医用画像を用いた早期肺がん診断における深層学習の応用を包括的に評価すること。
• 臨床現場における肺がん検出のための深層学習モデルを導入するにあたり、主な障壁となる技術的および臨床的課題を特定・分析すること。
• 最新の深層学習モデルの肺がん画像診断におけるパフォーマンス指標（正確性、感受性、特異性）を評価すること。
• 2016年から2021年までの32件の査読済み論文を体系的かつ構造的にレビューし、臨床的および研究的意思決定を支援すること。
• AI研究と臨床実践のギャップを埋めるために、モデル導入における実用的障壁と機会を強調すること。

提案手法

• 2016年から2021年までの査読済み論文32件を対象に、構造的マッピングと合成手法を用いたシステマティックな文献レビューを実施した。
• 特に、CTスキャンおよびレントゲン画像からの肺がん診断に深層学習モデル（特に畳み込みニューラルネットワーク：CNN）を用いた研究に焦点を当てた。
• 選定された研究で用いられたモデルアーキテクチャ、損失関数、データオーグメンテーション技術、トレーニングプロトコルを評価した。
• タスク別にモデルを分類した：結節検出、分類（良性／悪性）、セグメンテーション。
• テーマ的分析を用いて、研究間で繰り返し現れる課題やパフォーマンスのトレンドを同定した。
• 論文選定およびレビュー手順の透明性と再現性を確保するため、PRISMAスタイルの手法を適用した。

実験結果

リサーチクエスチョン

• RQ1 どの深層学習アーキテクチャが、低線量CTスキャンを用いた早期肺がんの検出において、最高の正確性と感受性を示しているか？
• RQ2 深層学習モデルが臨床現場に実用化されるのを妨げる主な技術的および臨床的課題は何か？
• RQ3 データ品質、データサイズ、オーグメンテーション戦略が、肺がん画像診断におけるモデルパフォーマンスにどのように影響するか？
• RQ4 最近の深層学習研究で一般的に用いられる評価指標は何か？ また、研究間でそれらはどのように比較可能か？
• RQ5 現在のモデルは、多様な患者集団および画像プロトコルにわたる一般化をどのように対応しているか？

主な発見

• 最も効果的なモデルは、低線量CTスキャンを用いた3次元CNNを用いて、肺結節の良性・悪性分類において90％を超える正確性と88％の感受性を達成した。
• DenseNet や ResNet などの事前学習済みモデルを用いたトランスファーラーニングは、小規模またはアンバランスなデータセットでもパフォーマンスを著しく向上させた。
• データオーグメンテーションおよび合成データ生成技術は広く用いられ、モデルの頑健性向上と過学習の低減に寄与した。
• 制御された環境下では高いパフォーマンスを示したが、異なるスキャナータイプや患者の人口統計的特徴にわたる一般化は依然として大きな課題のままであった。
• 解釈可能性の欠如、モデルの不確実性推定、規制承認プロセスの不足が、臨床統合を制限する要因となった。
• 本レビューでは、実世界での有効性を検証した研究の不足が判明した。実際、多くのモデルは、後向き的で単一施設のデータセットでのみテストされていた。