[論文レビュー] Genetic Deep Learning for Lung Cancer Screening

Hunter Park, Connor Monahan|arXiv (Cornell University)|Jul 27, 2019

AI in cancer detection参考文献 36被引用数 6

ひとこと要約

本論文は、低線量胸部X線画像における早期肺がん検出のための軽量畳み込みニューラルネットワークを自動で設計する遺伝的アルゴリズムベースのニューラルアーキテクチャ探索（DeepNEAT-Dx）を提案する。この手法により、97.15％の正確性、99.88％の陽性予測値、94.81％の陰性予測値を達成するモデルが進化した。これはResNet-152やInception-V3を上回り、パラメータ数を14倍に削減した。

ABSTRACT

Convolutional neural networks (CNNs) have shown great promise in improving computer aided detection (CADe). From classifying tumors found via mammography as benign or malignant to automated detection of colorectal polyps in CT colonography, these advances have helped reduce the need for further evaluation with invasive testing and prevent errors from missed diagnoses by acting as a second observer in today's fast paced and high volume clinical environment. CADe methods have become faster and more precise thanks to innovations in deep learning over the past several years. With advancements such as the inception module and utilization of residual connections, the approach to designing CNN architectures has become an art. It is customary to use proven models and fine tune them for particular tasks given a dataset, often requiring tedious work. We investigated using a genetic algorithm (GA) to conduct a neural architectural search (NAS) to generate a novel CNN architecture to find early stage lung cancer in chest x-rays (CXR). Using a dataset of over twelve thousand biopsy proven cases of lung cancer, the trained classification model achieved an accuracy of 97.15% with a PPV of 99.88% and a NPV of 94.81%, beating models such as Inception-V3 and ResNet-152 while simultaneously reducing the number of parameters a factor of 4 and 14, respectively.

研究の動機と目的

• 低線量胸部X線画像における早期肺がん検出に特化した、自動的かつデータ駆動型の深層ニューラルネットワークアーキテクチャ設計手法を開発すること。
• 転移学習に依存せず、遺伝的アルゴリズムを用いて、新たな効率的なアーキテクチャを探索することで、手動によるアーキテクチャ設計と転移学習の限界を克服すること。
• 早期肺がん検出における診断正確性を向上させるとともに、レジオンがん医師がしばしば見逃すような病変の誤診を減らすこと。
• 活性化ヒートマップによる解釈可能性を提供し、放射線科医が分類予測に影響を与える領域を可視化することで、モデルの予測を検証できるようにすること。

提案手法

• 遺伝的アルゴリズム（GA）を用いてニューラルアーキテクチャ探索（NAS）を実施し、選択、クロスオーバー、突然変異を用いて、アーキテクチャ的要素を組み合わせて畳み込みニューラルネットワーク（CNN）アーキテクチャを進化させた。
• 探索プロセスは、大規模なCXRsデータセットから得られた1,884例の生検確定肺がん症例からなる検証セットでの性能に従ってガイドされた。
• 最終モデルであるDeepNEAT-Dxは、確定した肺がん診断が得られた12,000例以上のデータセット上で、エンドツーエンドに訓練された。
• 最終モデルに対してGrad-CAM可視化を適用し、がん予測に最も寄与するCXRsの領域を強調したヒートマップを生成した。
• 高い性能とパラメータ効率性の両立を最適化し、最先端モデルと比較して、モデルサイズを顕著に削減した。
• 本手法は事前学習済みImageNet重みに依存せず、医療画像データから直接特徴を学習した。

実験結果

リサーチクエスチョン

• RQ1 転移学習に依存せずに、遺伝的アルゴリズムが、胸部X線画像における早期肺がん検出に適した、新規で高性能なCNNアーキテクチャを効果的に発見できるか？
• RQ2 GAで進化したモデルの性能は、ResNet-152やInception-V3といった既存のモデルと比較して、正確性、適合率、パラメータ効率性の観点でどのように異なるか？
• RQ3 ボクシングボックスのアノテーションが存在しない状況下でも、Grad-CAMのような解釈可能性技術が、CXRsにおけるがん関連特徴をどの程度正確に局在化できるか？
• RQ4 進化したアーキテクチャは、既存のモデルと比較して顕著に少ないパラメータ数で高い診断性能を達成できるか。これにより、リソースが限られた臨床現場への展開が可能になるか？
• RQ5 モデルの予測が、放射線科医がアノテートした石灰化巣の位置と相関しているか。これは、特徴への注目が生物学的に妥当である可能性を示唆する。

主な発見

• DeepNEAT-Dxモデルは、生検確定CXRs症例1,884例の検証セットで97.15％のテスト正確性を達成した。
• 陽性予測値（PPV）は99.88％で、非常に低い偽陽性率を示した。
• 陰性予測値（NPV）は94.81％で、陰性例においてがんを除外するにあたり高い信頼性があることを示した。
• ResNet-152（60.2M対4.9M）と比較して、パラメータ数を14倍に削減し、大幅な効率性向上を達成した。
• Grad-CAMヒートマップは、放射線科医がアノテートした石灰化巣の領域と一致しており、臨床的に関連する特徴と整合している可能性を示した。
• Inception-V3およびResNet-152と比較して、正確性とPPVで優れており、かつ大幅に小型化されていることから、性能とモデルサイズのトレードオフにおいて優れた性能を示した。