[論文レビュー] Domain Generalization for Medical Image Analysis: A Review

Jee Seok Yoon, Kwanseok Oh+3 more|arXiv (Cornell University)|Oct 5, 2023

AI in cancer detection被引用数 4

ひとこと要約

本稿は、医療画像解析（MedIA）におけるドメイン一般化（DG）技術について包括的なレビューを提示し、手法をデータレベル、特徴レベル、モデルレベル、解析レベルのアプローチに分類している。医療画像解析の全プロセス—データ収集からモデル解釈まで—にDGを統合することの重要性を強調し、データの多様性、限られたアノテーション、モデルの頑健性といった課題を指摘し、再現性と精度医療における実用的応用を向上させるために標準化されたベンチマークの整備を提言している。

ABSTRACT

Medical image analysis (MedIA) has become an essential tool in medicine and healthcare, aiding in disease diagnosis, prognosis, and treatment planning, and recent successes in deep learning (DL) have made significant contributions to its advances. However, deploying DL models for MedIA in real-world situations remains challenging due to their failure to generalize across the distributional gap between training and testing samples - a problem known as domain shift. Researchers have dedicated their efforts to developing various DL methods to adapt and perform robustly on unknown and out-of-distribution (OOD) data distributions. This article comprehensively reviews domain generalization (DG) studies specifically tailored for MedIA. We provide a holistic view of how DG techniques interact within the broader MedIA system, going beyond methodologies to consider the operational implications on the entire MedIA workflow. Specifically, we categorize DG methods into data-level, feature-level, model-level, and analysis-level methods. We show how those methods can be used in various stages of the MedIA workflow with DL equipped from data acquisition to model prediction and analysis. Furthermore, we critically analyze the strengths and weaknesses of various methods, unveiling future research opportunities.

研究の動機と目的

• 異なるスキャナーやプロトコル、機関由来の多様なデータ分布間でモデルが一般化に失敗するドメインシフトの問題に対処すること。
• データ収集から臨床意思決定までにわたり、ドメイン一般化手法が医療画像解析パイプライン全体にどのように統合されるかを包括的に提示すること。
• 既存のMedIA分野におけるDG手法を批判的に評価し、ワークフローの各段階におけるその強み、限界、運用上の影響を特定すること。
• DG手法の公平できめ細やかな評価を可能にするために、現実の医療画像の多様性を反映した標準化された、多様なデータセットの開発を提言すること。
• 特定の臨床的タスク、データの可用性、解釈可能性要件に基づいて、研究者や実務家が適切なDG戦略を選択・適用できるようにガイドすること。

提案手法

• ドメイン一般化手法を4つのレベルに分類：データレベル（例：周波数ベースの前処理、データ拡張）、特徴レベル（例：ドメイン整合、分離）、モデルレベル（例：学習戦略、最適化）、解析レベル（例：因果推論、解釈可能性）。
• 医療画像解析の各段階（データ収集、画像再構成、特徴抽出、下流予測、解析）にDG手法を統合するワークフロー統合フレームワークを提案。
• データの可用性、ターゲットドメインへのアクセス、解釈可能性や頑健性といったタスク固有のニーズに基づいて、手法選択を支援する意思決定支援図（図4）を導入。
• ドメイン不変表現学習、ドメイン分離、低リソースDG環境に適した自己教師ありモデル（例：Segment Anything Model（SAM））を含む最先端の手法をレビュー。
• 臨床現場での導入に際し、モデルの頑健性と信頼性を向上させるために因果推論と解釈可能なAIの活用を強調。
• スキャナーやプロトコルの違いに起因する分布シフトを軽減するため、周波数ベースの前処理とデータ拡張の重要性を強調。

実験結果

リサーチクエスチョン

• RQ1 ドメイン一般化手法を、データ収集から臨床的解釈までにわたり、医療画像解析の全ワークフローに体系的かつ統合的に統合する方法は何か？
• RQ2 現実の医療画像診断状況において、データレベル、特徴レベル、モデルレベル、解析レベルのDG手法の相対的な強みと限界は何か？
• RQ3 データ不足、画像プロトコルの多様性、患者集団の多様性といった要因が、MedIAにおける深層学習モデルの性能と一般化能力に与える影響は何か？
• RQ4 MedIAにおけるドメイン一般化手法の評価における主な課題は何か？標準化されたベンチマークデータセットは、再現性と公平な比較をどのように向上させるか？
• RQ5 ラベル付きデータが限られている、またはターゲットドメインデータにアクセスできないといった制約下で、特定の臨床的タスク（例：セグメンテーションや診断）に最も効果的なDG戦略は何か？

主な発見

• ドメイン一般化は、異なるスキャナーやプロトコル、機関間でモデルを展開する際の深層学習モデルの頑健性を高めるために不可欠である。
• 周波数ベースの前処理やデータ拡張といったデータレベルの手法は、機器の違いに起因するアーティファクトやハードウェア変動に起因するドメインシフトを効果的に軽減する。
• ドメイン整合や分離を含む特徴レベルの手法は、ターゲットドメインデータが不要な状況でもドメイン間で不変な表現を学習可能にし、モデルの一般化性能を向上させる。
• 特別な学習戦略や最適化技術を用いるモデルレベルのアプローチは、複数のソースドメインにわたる学習段階で頑健性を促進することで、一般化性能を向上させる。
• 因果推論や解釈可能なAIを含む解析レベルの手法は、特に高リスクな臨床意思決定の文脈において、モデルの信頼性と安全性を向上させる。
• 標準化されたベンチマークデータセットの欠如が、再現性と公平な評価を制限している。今後の研究では、多施設・多モodalな多様なデータセットの構築を優先すべきである。