[論文レビュー] GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging

Sarthak Pati, Siddhesh Thakur+24 more|Edinburgh Research Explorer (University of Edinburgh)|Feb 26, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 90被引用数 10

ひとこと要約

GaNDLF は、医療画像におけるエンドツーエンドの臨床ワークフローを簡素化することを目的としたコミュニティ主導のディープラーニングフレームワークであり、深い技術的専門知識が不要な状態で再現性、スケーラビリティ、使いやすさを向上させることを目的としています。マルチモodal、マルチクラスのタスクをサポートし、組み込みの k フォールド交差検証、データ拡張、放射線診断および組織診断の両方におけるモデルの学習・推論を実行し、腫瘍セグメンテーション、脳領域分類、遺伝子変異予測を含む多様な臨床タスクで最先端のパフォーマンスを達成しています。

ABSTRACT

Deep Learning (DL) has the potential to optimize machine learning in both the scientific and clinical communities. However, greater expertise is required to develop DL algorithms, and the variability of implementations hinders their reproducibility, translation, and deployment. Here we present the community-driven Generally Nuanced Deep Learning Framework (GaNDLF), with the goal of lowering these barriers. GaNDLF makes the mechanism of DL development, training, and inference more stable, reproducible, interpretable, and scalable, without requiring an extensive technical background. GaNDLF aims to provide an end-to-end solution for all DL-related tasks in computational precision medicine. We demonstrate the ability of GaNDLF to analyze both radiology and histology images, with built-in support for k-fold cross-validation, data augmentation, multiple modalities and output classes. Our quantitative performance evaluation on numerous use cases, anatomies, and computational tasks supports GaNDLF as a robust application framework for deployment in clinical workflows.

研究の動機と目的

• 医療画像におけるディープラーニングの再現性、スケーラビリティ、および臨床現場への適用の課題を解決すること。
• エンドツーエンドの DL ワークフローを統合的かつ使いやすいフレームワークとして提供することで、臨床医や研究者による技術的障壁を低減すること。
• MRI、CT、DBT、WSI、X線を含む、複数の画像モodal における多様な臨床タスクをサポートすること。
• データ拡張、交差検証、モデルの解釈可能性を組み込みでサポートすることで、標準化され再現性のある学習と推論を可能にすること。
• モジュラーで拡張可能で、ドキュメントが整備されたソフトウェアアーキテクチャを通じて、研究用モデルを臨床現場に移行可能にする支援をすること。

提案手法

• GaNDLF は、データロード、前処理、モデル学習、推論のためのモジュラーで設定駆動のパイプラインを持つ PyTorch ベースのフレームワークとして実装されている。
• T1、T2、T1-Gd、T2-FLAIR MRI などのマルチモーダル入力をサポートし、VGG11 などの標準的なディープラーニングアーキテクチャと統合可能である。
• フレームワークは natively k フォールド交差検証と、多様なデータ拡張戦略をサポートしており、モデルの頑健性と一般化性能を向上させている。
• ハイパーパrameterチューニングは YAML ベースの設定システムを通じて実施され、再現性のある実験が可能になっている。
• 評価指標とモデルの解釈性ツール（例：Grad-CAM）が組み込まれており、臨床現場での信頼性と検証を支援している。
• コンテナ化されており、Docker を通じたデプロイが可能で、研究環境と臨床環境の両方で一貫した展開が可能である。

実験結果

リサーチクエスチョン

• RQ1 統合的なディープラーニングフレームワークは、医療画像研究における再現性とスケーラビリティを向上させることができるか？
• RQ2 GaNDLF は、多様な画像モダリティとタスクにおいて、エンドツーエンドの臨床ワークフローをどの程度効果的にサポートできるか？
• RQ3 GaNDLF が内蔵するデータ拡張および交差検証機能が、モデルの一般化性能とパフォーマンスをどの程度向上させるか？
• RQ4 GaNDLF は、非専門家ユーザーが臨床現場でディープラーニングモデルをデプロイおよびファインチューニングする際の技術的障壁をどの程度低減できるか？
• RQ5 GaNDLF は、腫瘍セグメンテーション、組織分類、遺伝子変異予測を含む複数の臨床タスクで、どの程度のパフォーマンスを示すか？

主な発見

• GaNDLF は、mpMRI を用いた EGFRvIII 状態予測において、交差エントロピー損失、SGD 最適化手法、0.1 の初期学習率を用いて最適なパフォーマンスを達成し、高い再現性と頑健性を示した。
• フレームワークは、脳腫瘍の亜領域（BraTS 2020）と全脳分類（MALC 2012）を含むマルチモーダルセグメンテーションタスクを、高い正確性と一貫性をもってサポートした。
• DBT を用いた乳腺組織セグメンテーションでは、データ制限がある中でも強力なパフォーマンスを発揮し、ペンシルベニア大学から要請に応じて結果を提供可能である。
• CT における肺領域セグメンテーションでは、機関固有のプライベートデータを用いても、信頼性の高いパフォーマンスを示した。結果は要請と機関の承認を得て提供可能である。
• 公開データセット（DFUC 2021 および TCGA チャレンジを含む）を用いた、糖尿病性足部潰瘍および腫瘍浸潤リンパ球の分類において、正確な分類が可能であった。
• GaNDLF のモジュラー設計とオープンソースのコードベース（github.com/mlcommons/GaNDLF で公開）のおかげで、多様な臨床画像応用分野での広範な採用と再現性が達成された。