[論文レビュー] Exploring Explainable AI Techniques for Improved Interpretability in Lung and Colon Cancer Classification

Mukaffi Bin Moin, Fatema Tuj Johora Faria+3 more|arXiv (Cornell University)|May 7, 2024

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本研究では、組織病理学的画像を用いた肺がんおよび大腸がんの自動分類を目的として、ハイブリッドディープラーニングと解釈可能なAI（XAI）フレームワークを提案する。8つの事前学習済みCNN（例：Xception、DenseNet201）を用い、データ拡張を適用し、Grad-CAM や SmoothGrad などのXAI技術を適用することでモデルの解釈性を向上させ、最大99.89％の正確性を達成し、意思決定プロセスの優れた可視化を実現した。

ABSTRACT

Lung and colon cancer are serious worldwide health challenges that require early and precise identification to reduce mortality risks. However, diagnosis, which is mostly dependent on histopathologists' competence, presents difficulties and hazards when expertise is insufficient. While diagnostic methods like imaging and blood markers contribute to early detection, histopathology remains the gold standard, although time-consuming and vulnerable to inter-observer mistakes. Limited access to high-end technology further limits patients' ability to receive immediate medical care and diagnosis. Recent advances in deep learning have generated interest in its application to medical imaging analysis, specifically the use of histopathological images to diagnose lung and colon cancer. The goal of this investigation is to use and adapt existing pre-trained CNN-based models, such as Xception, DenseNet201, ResNet101, InceptionV3, DenseNet121, DenseNet169, ResNet152, and InceptionResNetV2, to enhance classification through better augmentation strategies. The results show tremendous progress, with all eight models reaching impressive accuracy ranging from 97% to 99%. Furthermore, attention visualization techniques such as GradCAM, GradCAM++, ScoreCAM, Faster Score-CAM, and LayerCAM, as well as Vanilla Saliency and SmoothGrad, are used to provide insights into the models' classification decisions, thereby improving interpretability and understanding of malignant and benign image classification.

研究の動機と目的

• 世界中で依然としてがん死の主要因である肺がんおよび大腸がんの早期かつ正確な診断の重要性に対応する。
• 病理学者の主観的差異や専門家依存の問題を抱える組織病理学的診断の限界を克服し、ディープラーニングを用いた分類の自動化を実現する。
• 複数のXAI技術を統合することで、がん分類における医療画像のモデル解釈性を向上させ、意思決定プロセスの可視化を実現する。
• 組織病理学的画像を用いた肺がんおよび大腸がん分類における解釈可能なAIの応用ギャップを埋め、臨床的信頼性と導入促進を図る。
• 標準化された環境下で、8つの最先端の事前学習済みCNNアーキテクチャの性能を評価・比較し、がん検出に最も効果的なモデルを同定する。

提案手法

• 組織病理学的画像データセットに対して、転移学習を実施するため、8つの事前学習済みCNNアーキテクチャ（Xception、DenseNet121、DenseNet169、DenseNet201、InceptionV3、ResNet101、ResNet152、InceptionResNetV2）を用いた。
• モデルの汎化性と耐性を向上させるために、高度なデータ拡張戦略を適用した。
• 複数のXAI技術を統合：クラス活性化マップのためのGrad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM、LayerCAM、およびサリエンシーマップのためのVanilla SaliencyとSmoothGrad。
• クラス活性化マップとサリエンシーマップを用いて、組織病理学的画像内の特徴的な領域を可視化し、悪性対良性分類に寄与する重要な特徴を強調した。
• 分類効果を定量化するために、標準的な指標（正確性、適合率、再現率、F1スコア、Jaccardスコア、対数損失）を用いてモデル性能を評価した。
• すべてのコードおよびトレーニング済みモデルをGitHubに公開し、再現可能性とコミュニティへのアクセスを確保した。

Figure 1: Representation of LC25000 dataset

実験結果

リサーチクエスチョン

• RQ1 どの事前学習済みCNNアーキテクチャが、組織病理学的画像における肺がんおよび大腸がん分類で最高の正確性を達成するか？
• RQ2 異なる解釈可能なAI技術（例：Grad-CAM、SmoothGrad）は、医療画像分類におけるディープラーニングモデルの解釈性をどのように向上させるか？
• RQ3 XAI手法は、がん診断における組織病理学的画像の特徴的領域の可視化をどの程度改善するか？
• RQ4 この医療画像分類タスクにおいて、異なるCNNアーキテクチャ間で、正確性と解釈性のトレードオフはどのように現れるか？
• RQ5 XAI技術の統合は、臨床医の信頼を高め、自動がん診断における臨床意思決定支援を促進できるか？

主な発見

• Xceptionが99.89％の最高正確性と0.0384の最低対数損失を達成し、本研究の全モデルを上回った。
• DenseNet201は99.71％の正確性を示し、適合率（99.71％）、再現率（99.71％）、F1スコア（99.71％）の高さから一貫性の高い性能を示した。
• InceptionResNetV2は最も低い性能を示し、97.65％の正確性と0.8458の最高対数損失を記録し、信頼性が低く誤差率が高いことを示した。
• Grad-CAM、Grad-CAM++、SmoothGradは、組織サンプル内の悪性領域を明確に強調する高品質なクラス活性化マップおよびサリエンシーマップを生成した。
• XAI技術の統合により、組織病理学的画像内の重要な特徴的要因の可視化が可能となり、モデルの透明性と臨床的解釈性が向上した。
• 混同行列により、全モデルで高い特異度と感度が確認され、Xceptionは肺がんおよび大腸がんの分類においてほぼ完璧なクラス分離を示した。

Figure 2: Representation of our proposed methodology for lung and colon cancer classification using explainable AI techniques