[論文レビュー] Developing and deploying deep learning models in brain MRI: a review

Kunal Aggarwal, Marina Manso Jimeno+3 more|arXiv (Cornell University)|Jan 3, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

このレビューは、説明可能性、データ品質、規制ガイドラインへの準拠を通じた臨床的応用を重視し、脳MRIにおける深層学習（DL）モデルの開発および導入におけるベストプラクティスを統合しています。FDAの良好な機械学習実践（GMLP）に準拠したチェックリストを提供し、研究用モデルと実臨床での導入のギャップを埋めることを目的としています。

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has benefited from deep learning (DL) to alleviate the burden on radiologists and MR technologists, and improve throughput. The easy accessibility of DL tools have resulted in the rapid increase of DL models and subsequent peer-reviewed publications. However, the rate of deployment in clinical settings is low. Therefore, this review attempts to bring together the ideas from data collection to deployment into the clinic building on the guidelines and principles that accreditation agencies have espoused. We introduce the need for and the role of DL to deliver accessible MRI. This is followed by a brief review of DL examples in the context of neuropathologies. Based on these studies and others, we collate the prerequisites to develop and deploy DL models for brain MRI. We then delve into the guiding principles to practice good machine learning practices in the context of neuroimaging with a focus on explainability. A checklist based on the FDA's good machine learning practices is provided as a summary of these guidelines. Finally, we review the current challenges and future opportunities in DL for brain MRI.

研究の動機と目的

• 研究用に最適化された深層学習モデルとそれらの脳MRIにおける臨床的導入の間のギャップが拡大しているのを是正すること。
• 神経画像診断分野における強固で一般化可能なDLモデルを開発するための主要な前提条件を特定・統合すること。
• DLモデルの臨床的採用における説明可能性と透明性の重要性を強調すること。
• 神経画像診断用途に特化した、FDAの良好な機械学習実践（GMLP）に基づく実用的で実行可能なチェックリストを提供すること。
• 脳MRIにおけるDLの臨床的応用における現在の課題と今後の機会を概説すること。

提案手法

• さまざまな神経病理に対する脳MRIにおける深層学習応用に関する査読付き論文の体系的レビュー。
• 認定機関および規制当局（例：FDA）のガイドラインを統合し、モデル開発におけるベストプラクティスを導出すること。
• 神経画像診断に特化した、FDAの良好な機械学習実践（GMLP）に基づく構造化されたチェックリストの開発。
• 臨床的信頼性を確保するため、データキュレーション、モデルの解釈可能性、検証戦略に重点を置く。
• 再現性、公平性、耐性の原則をモデルライフサイクル管理に統合すること。
• 各段階のモデル開発および導入を具体例で説明するため、既に発表済みの研究からの例を活用すること。

実験結果

リサーチクエスチョン

• RQ1 脳MRIにおける臨床的実用性のある深層学習モデルを開発するための主要な前提条件は何か？
• RQ2 説明可能性と解釈可能性を神経画像診断用の深層学習パイプラインに体系的に統合する方法は何か？
• RQ3 研究出力が著しく高いにもかかわらず、なぜ脳MRIにおける深層学習モデルの臨床的導入が遅れているのか？
• RQ4 規制および認定基準を医療画像における深層学習に実際に適用するにはどうすればよいか？
• RQ5 多様な臨床環境においてモデルの一般化能と耐性を確保するための最も効果的な戦略は何か？

主な発見

• 研究論文の急増にもかかわらず、脳MRIにおける深層学習モデルの臨床的導入率は依然として低い。
• 本レビューでは、データ品質、モデルの解釈可能性、規制準拠が臨床的応用における主なブottleneckであると特定した。
• FDAの良好な機械学習実践（GMLP）に基づくチェックリストを提示し、神経画像診断分野におけるモデル開発と評価の標準化を図った。
• 医師の信頼を得るため、および規制承認を容易にするために、注目マップやサリエンシー手法などの説明可能性技術が不可欠である。
• バイアスを低減し、モデルの一般化能を確保するためには、多様なデータセットおよびスキャナーパラメータで妥当性を検証する必要がある。
• 今後の機会は、標準化されたデータ共有、フェデレーテッドラーニング、PACSおよび臨床ワークフローへのDLモデルの統合にあり。