[論文レビュー] Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI

Cristina Gallego-Ortiz, Anne L. Martel|arXiv (Cornell University)|Jun 27, 2016

AI in cancer detection参考文献 9被引用数 9

ひとこと要約

本稿では、T1強調動脈対比強調（DCE-MRI）およびT2強調（T2w）特徴を統合して悪性および良性病変を区別する、ルール抽出可能な解釈可能なコンピュータ支援診断（CAD）システムを提案する。アンサンブルブースティングツリーを用いて、BIRADS T2w信号強度カテゴリーおよび病変対筋肉信号比（LMSIR）を含む病変特徴から臨床的に解釈可能なルールを抽出し、重み付きノードグラフによる分類意思決定の可視化を実現。交差検証でAUC 0.84を達成した。

ABSTRACT

High predictive performance and ease of use and interpretability are important requirements for the applicability of a computer-aided diagnosis (CAD) to human reading studies. We propose a CAD system specifically designed to be more comprehensible to the radiologist reviewing screening breast MRI studies. Multiparametric imaging features are combined to produce a CAD system for differentiating cancerous and non-cancerous lesions. The complete system uses a rule-extraction algorithm to present lesion classification results in an easy to understand graph visualization.

研究の動機と目的

• 放射線科医の診断基準と一致する特徴および意思決定を有するCADシステムの解釈可能性を向上させること。
• 生画像データに基づくアンサンブルブースティングツリーを用いて、T2w画像特徴（BIRADSカテゴリーおよびLMSIR）の予測モデルを開発すること。
• 動態、形態、テクスチャ、およびT2w特徴を含む多パラメトリック特徴を統合した、透明な意思決定ルールを有する統一CAD分類器を構築すること。
• キーデシジョンパスおよび特徴寄与度を強調するグラフベースのルール表現を用いて、病変分類結果を可視化すること。
• ヒストパスロジカルな真値を有する627例の後向きコhortを用いて、システムの性能および解釈可能性を評価すること。

提案手法

• 病変のセグメンテーションは、T1w DCE-MRIに3次元のインタラクティブシード領域成長アルゴリズムを適用してボリュームオブインタレスト（VOI）を定義した。
• VOIから、T1w CE-MRI特徴（計99個：34個の動態、19個の形態、46個のテクスチャ）およびT2w特徴（計45個：80個の強度ベース、20個の分散ベース）が抽出された。
• アンサンブルブースティングを用いて2つの解釈可能なT2w特徴を導出：(1) BIRADS T2w信号強度カテゴリーは3段階のカスケード分類器で、(2) LMSIRは回帰木で推定。
• ルール抽出を可能にするために、特徴値を一変量分布の分位数に基づき順序尺度（極めて低、低、中、高、極めて高）に変換した。
• 決定木のアンサンブルに基づくノードハーベスト分類器を訓練し、悪性を予測した。ルールは抽出され、ノードの大きさが重み、色が特徴グループを示すグラフとして可視化された。
• 分類意思決定は、重みが最も高い4つのノードを強調表示することで可視化され、条件は順序尺度特徴カテゴリーにマッピングされた。

実験結果

リサーチクエスチョン

• RQ1 生画像データから解釈可能なモデルを用いて抽出したT2w画像特徴が、CADの性能向上および放射線科医の信頼性を高められるか？
• RQ2 アンサンブルブースティングツリーは、画像ベース特徴から放射線科医が報告したBIRADS T2w信号強度カテゴリーをどの程度正確に予測できるか？
• RQ3 T2w特徴の統合が、乳腺MRI用多パラメトリックCADの解釈可能性および正確性をどの程度向上させるか？
• RQ4 アンサンブルツリーからのルール抽出意思決定パスを視覚的にマッピングすることで、放射線科医が病変分類の論理を直接理解できるか？
• RQ5 T1wおよびT2w両方の特徴を用いた最終CAD分類器の、悪性と良性病変の区別性能はいかほどか？

主な発見

• BIRADS T2w信号強度のカスケードベース予測器は、分類の3段階目で中央値AUCが0.71、0.82、0.85を示し、「やや高信号」カテゴリーでは86%の正確度を達成した。
• LMSIR予測器は、10分割交差検証中に中央値RMSEが0.89（IQR: 0.47–1.58）を示した。
• 最終のノードハーベスト分類器は、全627例を対象とした10分割交差検証で中央値AUC 0.84（95%信頼区間：0.81–0.86）を達成した。
• 良性の線維腺腫例では、システムが正しく病変を良性と分類した（悪性確率P=0.45）。最も重みの高いノード（22%）は、T2w高信号に基づき、悪性確率が低（P=0.07）であることを示唆した。
• 悪性の原発性小葉癌例では、システムが正しく病変を悪性と分類した（悪性確率P=0.64）。2番目に大きなノードは、T1w動態およびテクスチャ特徴に基づき、高い悪性確率を示した。
• グラフィカルな可視化により、キーデシジョンルールが効果的に強調され、特徴の色分けとノードサイズの影響度に比例する表現により、分類論理の直接的解釈が可能となった。