[論文レビュー] Image Based Artificial Intelligence in Wound Assessment: A Systematic Review

DM Anisuzzaman, Chuanbo Wang+4 more|arXiv (Cornell University)|Sep 15, 2020

Wound Healing and Treatments参考文献 109被引用数 114

ひとこと要約

本システマティックレビューは、画像ベースの人工知能（AI）を用いた傷の評価を評価し、傷のセグメンテーション、分類、測定に特化したディープラーニング技術に焦点を当てる。AI駆動の傷評価システムに関する115件の研究を統合し、モバイルアプリやマルチモーダル画像技術の進展を強調するとともに、標準化、データ品質、臨床統合の分野における主な課題を特定し、傷のケアの質を向上させるために不可欠である。

ABSTRACT

Efficient and effective assessment of acute and chronic wounds can help wound care teams in clinical practice to greatly improve wound diagnosis, optimize treatment plans, ease the workload and achieve health related quality of life to the patient population. While artificial intelligence (AI) has found wide applications in health-related sciences and technology, AI-based systems remain to be developed clinically and computationally for high-quality wound care. To this end, we have carried out a systematic review of intelligent image-based data analysis and system developments for wound assessment. Specifically, we provide an extensive review of research methods on wound measurement (segmentation) and wound diagnosis (classification). We also reviewed recent work on wound assessment systems (including hardware, software, and mobile apps). More than 250 articles were retrieved from various publication databases and online resources, and 115 of them were carefully selected to cover the breadth and depth of most recent and relevant work to convey the current review to its fulfillment.

研究の動機と目的

• 画像分析における計算手法およびAIベースの手法を体系的にレビューすること。
• AI駆動の傷の測定（セグメンテーション）および診断（分類）分野における最新技術を評価すること。
• 既存の傷評価システム（モバイルアプリやハードウェアを含む）の設計、機能性、臨床的適用可能性を分析すること。
• AI駆動の傷評価システムにおけるデータ標準化、マルチモーダル統合、実臨床での展開におけるギャップを特定すること。

提案手法

• 1994年から2020年までに、Scopus、Web of Science、PubMed、IEEE Xplore、ScienceDirect、ERICでシステマティックな文献検索を実施した。
• 250件を超える論文をスクリーニングし、画像ベースのAIを用いた傷評価に関連する115件を詳細レビュー対象として選定した。
• 研究を手法別に分類：ルールベース、従来の機械学習（例：SVM、ランダムフォレスト）、ディープラーニング（例：CNN、U-Net変種）。
• 2次元RGB画像、3次元表面モデル、熱画像を用いた傷の測定技術をレビューした。
• 傷の画像キャプチャ、セグメンテーション、サイズ推定、組織色分類を実行するモバイルアプリケーションを評価した。
• 2次元／3次元画像、熱画像、ハイパースペクトル、生理的センサーを統合したマルチモーダルシステムを、包括的な傷評価のために評価した。

実験結果

リサーチクエスチョン

• RQ1 医療画像を用いたAI駆動の傷セグメンテーションおよび分類における現在のトレンドと限界は何か？
• RQ2 既存のモバイルおよびソフトウェアベースの傷評価システムは、臨床的および実世界の環境でどの程度の性能を示すか？
• RQ3 RGB、3次元、熱画像、電子的健康記録（EHR）を含むマルチモーダルデータは、傷の診断および予後予測をどのように向上させるか？
• RQ4 AIパワードの傷ケアシステムを展開するにあたり、主な技術的および臨床的課題は何か？
• RQ5 公開され、適切にラベル付けされたマルチモーダル傷データセットは、今後の傷ケア分野におけるAI開発をどのように支援できるか？

主な発見

• 特にU-Netおよびその変種であるディープラーニングモデルは、従来の機械学習およびルールベース手法よりも、傷のセグメンテーション精度で優れていた。
• MOWA や FootSnap などのモバイルアプリケーションは、傷の画像キャプチャの標準化を向上させるとともに、サイズや組織色の基本的測定を可能にした。
• RGB、3次元、熱画像、生理的データを統合したマルチモーダルシステムは包括的な傷評価に有望であるが、臨床的応用はまだ未発達である。
• 進展は見られたが、照明のばらつき、背景ノイズ、画像品質の悪化がAI性能に影響を与える重大な課題が残っている。
• 現存するシステムの多くは、画像、3次元データ、テキスト、EHRをすべて統合しておらず、公開され、大規模かつ適切にラベル付けされたデータセットは依然として不足している。
• 本レビューは、AIを用いた傷ケア分野の発展を促進するため、標準化され、公開されたデータセットおよび臨床的妥当性の確保が不可欠であると指摘している。