[論文レビュー] Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation

Diyuan Lu, Nenad Polomac+3 more|arXiv (Cornell University)|Jun 17, 2020

Brain Tumor Detection and Classification参考文献 43被引用数 5

ひとこと要約

本論文は、データ蒸留とクラス混合データ拡張を組み合わせたディープラーニングフレームワークを提案し、ノイズが多く限られた磁気共鳴スペクトロスコピー（MRS）データから脳腫瘍を人間の専門家水準の精度で検出することに成功した。代表的なサンプルを特定し、混合によって合成トレーニングデータを生成することで、モデルの汎化性能が向上し、AUC 0.77を達成。これは神経放射線科医の集団よりも感度と患者単位の正確性で優れている。

ABSTRACT

The application of Deep Learning (DL) for medical diagnosis is often hampered by two problems. First, the amount of training data may be scarce, as it is limited by the number of patients who have acquired the condition to be diagnosed. Second, the training data may be corrupted by various types of noise. Here, we study the problem of brain tumor detection from magnetic resonance spectroscopy (MRS) data, where both types of problems are prominent. To overcome these challenges, we propose a new method for training a deep neural network that distills particularly representative training examples and augments the training data by mixing these samples from one class with those from the same and other classes to create additional training samples. We demonstrate that this technique substantially improves performance, allowing our method to reach human-expert-level accuracy with just a few thousand training examples. Interestingly, the network learns to rely on features of the data that are usually ignored by human experts, suggesting new directions for future research.

研究の動機と目的

• 医療分野におけるディープラーニングの課題である、限られたノイズの多いトレーニングデータ、特にMRSデータからの脳腫瘍検出の課題に対処すること。
• 人間がアノテートしたプロトタイプを必要としない、モデルの汎化性能を向上させるデータ拡張戦略の開発。
• 腫瘍対非腫瘍MRSスプライス分類において、人間専門家神経放射線科医と同等またはそれを上回る性能を達成すること。
• 深層ニューラルネットワークが人間専門家が強調する特徴以外の生物学的に関連する特徴を学習するかどうかを調査すること。

提案手法

• 2段階のニューラルネットワークフレームワークを採用：代表的なトレーニングサンプルを識別するためのデータ蒸留ネットワーク。
• 同じクラスまたは異なるクラスの代表的サンプルを線形補間によって混合し、合成トレーニングサンプルを生成。
• 最終分類ネットワークを拡張されたデータセット上で訓練することで、ロバストネスと汎化性能を向上。
• 畳み込み層の後にグローバル平均プーリング（GAP）層を適用し、解釈可能性のためのクラス活性マップ（CAM）可視化を可能に。
• 手動によるプロトタイプサンプルのキュレーションを必要とせず、ノイズが多く弱くラベル付けされたデータに対して直接処理。
• 臨床的条件下での実用的評価のため、1人を除いた交差検証（leave-one-out cross-validation）を採用。

実験結果

リサーチクエスチョン

• RQ1 限られたノイズの多いトレーニングデータのもとで、ディープラーニングモデルがMRSデータからの脳腫瘍検出において人間専門家水準の性能を達成できるか？
• RQ2 データ蒸留とクラス混合拡張が、データが少ない状況下でのモデルの汎化性能とロバストネスを向上させるか？
• RQ3 深層ニューラルネットワークが学習する特徴は、人間専門家のものと一致しているか、あるいは補完的であるか？
• RQ4 クラス活性マップで可視化されたモデルの注目度（attention）は、MRSスプライスに知られている代謝バイオマーカーとどのように相関するか？

主な発見

• 提案手法はAUC 0.77を達成し、同じテストセットで神経放射線科医の集団（AUC: 0.68）を上回った。
• モデルは感度（0.73）と患者単位の正確性（0.76）が、人間専門家グループ（感度: 0.54、正確性: 0.69）を上回った。
• クラス活性マップから、腫瘍関連の特徴として知られるチオリンの上昇、ミオイノシトール、およびリピッドピークといった代謝物パターンにネットワークが注目していることが明らかになった。また、NAAピーク前のプラトー領域など、あまり顕著でない領域にも注目している。
• ネットワークは人間専門家が通常強調しない特徴、例えば2-ヒドロキシグルタラート領域におけるスペクトルの形状や、複数の代謝物パターンの共起性に依存する特徴を学習していた。
• 両クラスからのサンプルを混合して拡張することで、他の拡張設定よりもより安定的かつ効果的な結果が得られた。
• ノイズの多いラベルとデータ不足の影響を効果的に軽減でき、数千年のトレーニング例での高精度な性能を達成した。