[論文レビュー] Interpretation of Mammogram and Chest Radiograph Reports using Deep Neural Networks - Preliminary Results.

Hojjat Salehinejad, Joseph Barfett+4 more|arXiv (Cornell University)|Aug 24, 2017

AI in cancer detection参考文献 28被引用数 8

ひとこと要約

本研究では、マンモグラムおよびレントゲン画像のレポートを解釈するための双方向畳み込みニューラルネットワーク（Bi-CNN）を提案する。それぞれ、乳腺密度の分類および胸部画像の病変の分類を目的としている。従来の手法（ランダムフォレストやサポートベクターマシン）を上回る性能を示し、データベースの整理および診断監査のためのレポート解析における精度が向上した。

ABSTRACT

Radiology reports are an important means of communication between radiologists and other physicians. These reports express a radiologist's interpretation of a medical imaging examination and are critical in establishing a diagnosis and formulating a treatment plan. In this paper, we propose a Bi-directional convolutional neural network (Bi-CNN) model for the interpretation and classification of mammograms based on breast density and chest radiographic radiology reports based on the basis of chest pathology. The proposed approach helps to organize databases of radiology reports, retrieve them expeditiously, and evaluate the radiology report that could be used in an auditing system to decrease incorrect diagnoses. Our study revealed that the proposed Bi-CNN outperforms the random forest and the support vector machine methods.

研究の動機と目的

• 深層学習を用いてレポートの解釈を自動化するシステムの開発を目的とする。
• マンモグラムの乳腺密度に基づき、レントゲン画像の病変に基づき分類を行う。
• 臨床データベースにおけるレポートの整理および検索の改善を目的とする。
• レポート解釈の不一致や誤りを特定することで、診断監査を支援する。
• ランダムフォレストやSVMといった従来の機械学習モデルを上回る分類タスクの性能を実現する。

提案手法

• 双方向畳み込みニューラルネットワーク（Bi-CNN）を用いて、レポートのテキストデータを逐次処理する。
• モデルは、レポートのテキストにおいて前向きおよび後向きの両方向からの文脈的特徴を捉える。
• 入力レポートはトークン化され、その後、密なベクトル表現に埋め込まれ、Bi-CNNに供給される。
• ネットワークは、乳腺密度（マンモグラム）および病変（胸部X線）の事前に定義されたカテゴリにレポートを分類するように、エンドツーエンドで学習される。
• 性能評価には標準的な分類指標が用いられ、Bi-CNNはランダムフォレストおよびサポートベクターマシンと比較される。
• このアーキテクチャにより、レポートテキスト内の局所的および長距離の依存関係の共同学習が可能となる。

実験結果

リサーチクエスチョン

• RQ1 Bi-CNNモデルは、乳腺密度に基づいてマンモグラムレポートを効果的に分類できるか？
• RQ2 同じモデルは、基礎となる病変に基づいて胸部レントゲンレポートを正確に分類できるか？
• RQ3 Bi-CNNの性能は、レポート解釈において、ランダムフォレストやSVMといった従来の機械学習モデルと比較してどうなるか？
• RQ4 モデルは、レポートのデータベース整理および検索をどの程度効率的に支援できるか？
• RQ5 モデルは、自動監査を通じて診断エラーの低減に貢献できるか？

主な発見

• 提案されたBi-CNNモデルは、ランダムフォレストおよびサポートベクターマシンの両方を上回る分類精度を達成した。
• モデルは、より高い性能で乳腺密度分類を目的としたマンモグラムレポートを効果的に解釈した。
• モデルは、基礎となる病変に基づいて胸部レントゲンレポートを効果的に分類した。
• Bi-CNNは、レポートテキスト内の文脈的パターンを捉える優れた能力を示した。
• モデルは、臨床データベースにおけるレポートの整理および検索を支援した。
• 結果から、診断エラー低減のための監査システムへの統合の可能性が示唆された。