[論文レビュー] Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries

Carla Sendra-Balcells, Víctor M. Campello+18 more|arXiv (Cornell University)|Sep 20, 2022

Artificial Intelligence in Healthcare and Education被引用数 5

ひとこと要約

本研究では、高リソースのスペインのデータで訓練された胎児超音波画像の深層学習モデルの一般化性能を、低リソースのアフリカ臨床環境に適応させるために転移学習を評価する。5か国のアフリカにおける小規模なデータセット（1カ国あたり25例）で微調整することで、5か国すべてで高い再現率（0.92±0.04）と精度を達成し、リソース制限のある母体・胎児画像診断環境へのAI導入に転移学習が実用的であることを示している。

ABSTRACT

Most artificial intelligence (AI) research have concentrated in high-income countries, where imaging data, IT infrastructures and clinical expertise are plentiful. However, slower progress has been made in limited-resource environments where medical imaging is needed. For example, in Sub-Saharan Africa the rate of perinatal mortality is very high due to limited access to antenatal screening. In these countries, AI models could be implemented to help clinicians acquire fetal ultrasound planes for diagnosis of fetal abnormalities. So far, deep learning models have been proposed to identify standard fetal planes, but there is no evidence of their ability to generalise in centres with limited access to high-end ultrasound equipment and data. This work investigates different strategies to reduce the domain-shift effect for a fetal plane classification model trained on a high-resource clinical centre and transferred to a new low-resource centre. To that end, a classifier trained with 1,792 patients from Spain is first evaluated on a new centre in Denmark in optimal conditions with 1,008 patients and is later optimised to reach the same performance in five African centres (Egypt, Algeria, Uganda, Ghana and Malawi) with 25 patients each. The results show that a transfer learning approach can be a solution to integrate small-size African samples with existing large-scale databases in developed countries. In particular, the model can be re-aligned and optimised to boost the performance on African populations by increasing the recall to $0.92\pm0.04$ and at the same time maintaining a high precision across centres. This framework shows promise for building new AI models generalisable across clinical centres with limited data acquired in challenging and heterogeneous conditions and calls for further research to develop new solutions for usability of AI in countries with less resources.

研究の動機と目的

• 特にサハラ以南アフリカにおいて、一般化可能なAIが不足している低リソースの母体・胎児画像診断環境に対処すること。
• 高品質なスペインの超音波データで訓練された深層学習モデルが、低リソースのアフリカ臨床施設にどのように適用可能かを調査すること。
• 施設間の画像機器、プロトコル、患者集団の違いに起因するドメインシフトを克服すること。
• 転移学習とドメイン適応を用いて、小規模で多様性のあるアフリカのデータセット上でモデル性能を向上させること。
• 高ニーズでリソースが限られた医療環境にAIを展開するためのスケーラブルなフレームワークを開発すること。

提案手法

• スペインの高リソース環境で1,792例の胎児超音波画像を用いて深層学習分類器を訓練する。
• 最適な条件下で、高リソースのデンマークデータセット（1,008例）に対して事前訓練済みモデルを評価する。
• エジプト、アルジェリア、ウガンダ、ガーナ、マラウイの5か国のアフリカ諸国から、1カ国あたり25例の小規模なアフリカデータセットを用いて、事前訓練済みモデルを微調整する。
• 初期層を凍結し、最後の4層のみを微調整することで、転移学習を実施し、新しい画像分布に適応させる。
• 共通の解剖学的特徴を優先し、施設特有の画像バイアスを低減するために、共有表現学習を用いる。
• 限られたデータと多様な取得条件のもとでも、予測性能を最大化するようにモデル重みを最適化する。

実験結果

リサーチクエスチョン

• RQ1 高リソースのスペインの超音波データで訓練された深層学習モデルは、低リソースのアフリカ臨床環境に効果的に一般化可能か？
• RQ2 アフリカのデータにおける性能を比較した場合、微調整を伴う転移学習は、初期学習から行うか、統合データセットを用いた共同学習と比べてどう異なるか？
• RQ3 高リソースと低リソースの画像診断環境の間で生じるドメインシフトは、転移学習によってどの程度軽減可能か？
• RQ4 小規模なアフリカデータセットで微調整することで、再現率と精度にどの程度の向上が得られるか？
• RQ5 1つの事前訓練済みモデルは、限られたデータと多様な画像取得条件のもとで、多様なアフリカ臨床施設で安定した性能を発揮できるか？

主な発見

• スペインで事前訓練されたモデルは、適応なしにアフリカ施設に直接適用した場合、一般化性能が著しく低かった。
• 1カ国あたり25例の小規模なアフリカデータセットで事前訓練済みモデルを微調整することで、5か国のすべての施設で再現率が0.92±0.04に向上した。
• すべてのアフリカ施設で高い精度が維持されたことから、胎児断層の信頼性の高い検出が可能であることが示された。
• 最後の4層の微調整を伴う転移学習は、統合データセットを用いた共同学習や初期学習から行う方法よりも優れた性能を示した。
• 共有表現学習により、施設特有の画像パターンが効果的に低減された一方で、臨床的に重要な解剖学的特徴が保持された。
• 限られたデータと計算リソースで高い性能を達成できるため、本フレームワークは、リソース制限のある環境へのAI展開に強く有望である。