[論文レビュー] Deep Sequential Feature Learning in Clinical Image Classification of Infectious Keratitis

Yesheng Xu, Ming Kong+8 more|arXiv (Cornell University)|Jun 4, 2020

Ocular Diseases and Behçet’s Syndrome参考文献 39被引用数 5

ひとこと要約

本論文では、空間的構造を保持し、有益な特徴を分離することで、感染性角膜炎の臨床画像を分類するための段階的深層学習モデルを提案している。このモデルは120枚のテスト画像で80.00%の正確性を達成し、平均49.27%の正確性を示した421名の眼科医を著しく上回った。

ABSTRACT

Infectious keratitis is the most common entities of corneal diseases, in which pathogen grows in the cornea leading to inflammation and destruction of the corneal tissues. Infectious keratitis is a medical emergency, for which a rapid and accurate diagnosis is needed for speedy initiation of prompt and precise treatment to halt the disease progress and to limit the extent of corneal damage; otherwise it may develop sight-threatening and even eye-globe-threatening condition. In this paper, we propose a sequential-level deep learning model to effectively discriminate the distinction and subtlety of infectious corneal disease via the classification of clinical images. In this approach, we devise an appropriate mechanism to preserve the spatial structures of clinical images and disentangle the informative features for clinical image classification of infectious keratitis. In competition with 421 ophthalmologists, the performance of the proposed sequential-level deep model achieved 80.00% diagnostic accuracy, far better than the 49.27% diagnostic accuracy achieved by ophthalmologists over 120 test images.

研究の動機と目的

• 感染性角膜炎、すなわち視力に深刻な影響を及ぼす可能性のある角膜疾患の迅速かつ正確な診断の緊急な臨床的ニーズに対処すること。
• 変動性や主観性のため、人間の専門家が臨床的角膜画像における微細な差異を検出する能力に制限があることへの対処。
• 空間的構造を保持し、臨床画像から判別性の高い特徴を抽出する深層学習モデルの開発。
• 直接的な診断比較を通じて、モデルの性能を専門的眼科医と比較すること。
• 角膜損傷を最小限に抑え、視力を保持するための早期かつ正確な診断を可能にする信頼性の高い自動化ツールの提供。

提案手法

• 提案されたモデルは、臨床画像を段階的認識可能な方法で処理することを目的とした段階的深層学習アーキテクチャを採用している。
• 角膜画像の空間的構造を保持するメカニズムを組み込み、特徴抽出中に解剖学的文脈を維持している。
• 階層的特徴学習プロセスを通じて有益な特徴を分離し、疾患亜型間の判別を向上させている。
• 分類性能を最適化するように、感染性角膜炎の臨床画像データセット上でエンドツーエンドに訓練されたアーキテクチャである。
• モデルは120枚の標準化されたテスト画像セットを用いて評価され、421名の臨床的実務眼科医との性能を比較した。
• 評価には診断正確性を主たる指標とし、人間の専門家との性能を統計的に比較した。

実験結果

リサーチクエスチョン

• RQ1 段階的深層学習モデルは、感染性角膜炎の臨床画像分類において、人間の眼科医を上回る診断正確性を達成できるか？
• RQ2 モデルは角膜画像における空間的構造をどれほど効果的に保持できるか？
• RQ3 モデルはどれほど効果的に有益な特徴を分離し、感染性角膜炎の臨床像における微細な差異を区別できるか？
• RQ4 この臨床画像分類タスクにおいて、深層学習モデルと専門的臨床医との間の性能格差はどの程度か？
• RQ5 多様な病原体タイプや疾患重症度を有する実臨床画像に対し、モデルはどれほど一般化性能を発揮できるか？

主な発見

• 提案された深層順序特徴学習モデルは、感染性角膜炎の120枚のテスト画像で80.00%の診断正確性を達成した。
• この性能は、同じテストセットで平均49.27%の正確性を示した421名の眼科医を著しく上回った。
• モデルは人間の専門家に比べ、角膜病変の微細な差異を検出する能力に優れていた。
• 空間的構造の保持と有益な特徴の分離が、モデルの高い性能の鍵であった。
• 結果から、この特定の臨床画像分類タスクにおいて、深層学習モデルが人間の臨床医を上回る診断正確性を達成できることを示している。
• 本研究は、臨床画像を用いた感染性角膜炎の自動診断の強固なベンチマークを確立した。