[論文レビュー] Developing and Deploying Machine Learning Pipelines against Real-Time Image Streams from the PACS.

Pradeeban Kathiravelu, Ashish Sharma+5 more|arXiv (Cornell University)|Apr 16, 2020

Digital Radiography and Breast Imaging被引用数 2

ひとこと要約

Niffler は、病院のPACSから効率的にDICOMデータを照会・取得することで、放射線画像における機械学習パイプラインのリアルタイムおよびリトロスペクティブ実行を可能にするフレームワークである。メタデータ抽出、フィルタリング、結果の脱識別化共有をサポートし、19か月間にわたり安定稼働した3つの臨床ユースケースで実現可能性が示された。

ABSTRACT

Executing machine learning (ML) pipelines in real-time on radiology images is hard due to the limited computing resources in clinical environments and the lack of efficient data transfer capabilities to run them on research clusters. We propose Niffler, an integrated framework that enables the execution of ML pipelines at research clusters by efficiently querying and retrieving radiology images from the Picture Archiving and Communication Systems (PACS) of the hospitals. Niffler uses the Digital Imaging and Communications in Medicine (DICOM) protocol to fetch and store imaging data and provides metadata extraction capabilities and Application programming interfaces (APIs) to apply filters on the images. Niffler further enables the sharing of the outcomes from the ML pipelines in a de-identified manner. Niffler has been running stable for more than 19 months and has supported several research projects at the department. In this paper, we present its architecture and three of its use cases: an inferior vena cava (IVC) filter detection from the images in real-time, identification of scanner utilization, and scanner clock calibration. Evaluations on the Niffler prototype highlight its feasibility and efficiency in facilitating the ML pipelines on the images and metadata in real-time and retrospectively.

研究の動機と目的

• 限られた計算リソースと低いデータ転送能力を有する臨床環境において、放射線画像に対する機械学習パイプラインを実行する課題に対処すること。
• 標準化された DICOM プロトコルを用いて、病院のPACSシステムから医療画像データを効率的かつリアルタイムでアクセスすること。
• 患者のプライバシーを損なわずに、機械学習パイプラインのためのメタデータ抽出およびフィルタリング機能を提供すること。
• 研究プロジェクト間での協働を支援するために、機械学習パイプラインの結果を脱識別化された形で共有すること。
• 本フレームワークが実世界の臨床研究シナリオにおいて実現可能で効率的であることを示すこと。

提案手法

• Niffler は DICOM プロトコルを用いて、病院のPACSシステムから安全に画像データを照会・取得する。
• DICOM スタディからメタデータを抽出し、画像パrameter や臨床基準に基づいたフィルタを適用するためのAPIを提供する。
• 恒久的なデータパイプラインを維持することで、リアルタイムおよびリトロスペクティブな画像ストリーム処理を可能にする。
• 取得したデータを用いて、研究クラスタで機械学習パイプラインを実行し、計算処理を臨床用画像インfra構造とは分離する。
• 機械学習解析の結果は脱識別化された形式で共有され、患者のプライバシーとコンプライアンスが確保される。
• システムは複数の研究プロジェクトにスケーラブルに展開可能であり、既存の病院ITワークフローと統合可能である。

実験結果

リサーチクエスチョン

• RQ1 本フレームワークは、研究用機械学習パイプライン向けに、病院のPACSからリアルタイムで放射線画像を効率的かつ安全に取得できるか？
• RQ2 PACSからの画像を処理するパイプラインに、メタデータ抽出とフィルタリングを統合する方法は何か？ その際、臨床システムへの負荷を軽減できるか？
• RQ3 PACSから取得したデータを用いて、リアルタイムおよびリトロスペクティブに機械学習パイプラインを実行できる範囲はどの程度か？
• RQ4 本フレームワークは、データプライバシーを維持したまま、機械学習の結果を脱識別化して共有できるか？
• RQ5 このようなシステムを臨床研究環境に導入した場合の実用的性能および安定性の結果は何か？

主な発見

• Niffler は臨床研究環境で19か月以上安定稼働し、長期的な信頼性を示した。
• PACSから取得したデータを用いて、リアルタイムで下大静脈（IVC）フィルタの検出に成功した。
• 画像ワークフローのメタデータを分析することで、スキャナーサイズのパターン特定を支援した。
• 研究用の時刻不整合を検出することで、スキャナーの時計補正を支援した。
• 効率的なデータ転送と処理が実現され、臨床環境におけるローカル計算リソースへの依存が軽減された。
• 機械学習の結果の脱識別化共有が正常に実装され、研究プロジェクト間の協働が可能になった。