[論文レビュー] Detecting mechanical loosening of total hip replacement implant from plain radiograph using deep convolutional neural network

Alireza Borjali, Antonia F. Chen+3 more|arXiv (Cornell University)|Dec 2, 2019

Advanced X-ray and CT Imaging参考文献 17被引用数 9

ひとこと要約

本研究では、レントゲン画像から人工股関節置換術（THR）インプラントの機械的緩みを自動的に検出するための深層畳み込みニューラルネットワーク（CNN）を提案する。感度（0.94 対 0.53）において、国家資格を持つ整形外科医を上回りながらも、特異度（0.96）を維持している。モデルは、臨床的に関連する解剖学的特徴を強調することで解釈可能性を確保するため、サリエンシー・マップを用いている。

ABSTRACT

Plain radiography is widely used to detect mechanical loosening of total hip replacement (THR) implants. Currently, radiographs are assessed manually by medical professionals, which may be prone to poor inter and intra observer reliability and low accuracy. Furthermore, manual detection of mechanical loosening of THR implants requires experienced clinicians who might not always be readily available, potentially resulting in delayed diagnosis. In this study, we present a novel, fully automatic and interpretable approach to detect mechanical loosening of THR implants from plain radiographs using deep convolutional neural network (CNN). We trained a CNN on 40 patients anteroposterior hip x rays using five fold cross validation and compared its performance with a high volume board certified orthopaedic surgeon (AFC). To increase the confidence in the machine outcome, we also implemented saliency maps to visualize where the CNN looked at to make a diagnosis. CNN outperformed the orthopaedic surgeon in diagnosing mechanical loosening of THR implants achieving significantly higher sensitively (0.94) than the orthopaedic surgeon (0.53) with the same specificity (0.96). The saliency maps showed that the CNN looked at clinically relevant features to make a diagnosis. Such CNNs can be used for automatic radiologic assessment of mechanical loosening of THR implants to supplement the practitioners decision making process, increasing their diagnostic accuracy, and freeing them to engage in more patient centric care.

研究の動機と目的

• 平片レントゲン画像からTHRインプラントの機械的緩みを自動的かつ信頼性高く検出するための手法を開発すること。
• 臨床的判断に依存する熟練レントゲン診断医に依存する、観察者間および観察者内ばらつきの限界を克服すること。
• THRインプラント評価における診断の正確性を向上させ、診断遅延を短縮すること。
• サリエンシー・マップを用いて意思決定領域を可視化することで、モデルの解釈可能性を確保すること。
• レントゲン診断医の性能を向上させ、スケーラブルなスクリーニングを可能にする意思決定支援ツールを提供すること。

提案手法

• 確認済みのTHRインプラント状態を有する40例の前後位股関節レントゲン画像を用いて、深層畳み込みニューラルネットワーク（CNN）を学習させた。
• モデルの性能を評価し、頑健性を確保するために、5分割交差検証を実施した。
• 診断の際、CNNがどの部分に注目しているかを可視化するため、サリエンシー・マップを生成した。
• 標準指標（感度と特異度）を用いて、高頻度で診断を行う国家資格を持つ整形外科医と比較した。
• CNNは、レントゲン画像に機械的緩みが認められるか否かを分類するように、エンドツーエンドで学習させた。
• 本アプローチは、モデルの注目領域が臨床的に関連する解剖学的構造と一致するように、解釈可能性を重視している。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、平片レントゲン画像からTHRインプラントの機械的緩みを検出する際、人間の専門医を上回る感度を達成できるか？
• RQ2 診断意思決定を行う際、CNNは臨床的に関連する解剖学的特徴に注目しているか？
• RQ3 サリエンシー・マップは、臨床現場におけるモデル予測の信頼性と解釈可能性を向上させられるか？
• RQ4 小さなが代表的なTHRレントゲン画像データセットにおいて、CNNの性能は頑健で汎用性があるか？
• RQ5 自動化システムは、THRインプラント評価における診断遅延を短縮し、一貫性を向上させられるか？

主な発見

• CNNは、機械的緩みの検出において感度0.94を達成し、整形外科医の感度0.53を著しく上回った。
• CNNと整形外科医の両方が、同じ特異度0.96を維持しており、真陰性率が非常に高いことを示している。
• サリエンシー・マップにより、CNNがストレート・セメント界面や周囲の放射線透過線など、解剖学的に関連する領域に注目していることが確認された。
• 交差検証の各foldにおいて、モデルは高い信頼性と一貫性を示し、頑健な性能であることが裏付けられた。
• 結果から、CNNはレントゲン診断医の解釈を補完する信頼できる意思決定支援ツールとして機能できる可能性がある。
• 本研究は、整形外科画像におけるインプラント合併症の自動検出に、解釈可能な深層学習を用いる可能性を示した。