[論文レビュー] LNDb: A Lung Nodule Database on Computed Tomography

João Pedrosa, Guilherme Aresta+9 more|arXiv (Cornell University)|Nov 19, 2019

Lung Cancer Diagnosis and TreatmentMedicine参考文献 22被引用数 18

ひとこと要約

本稿では、臨床的ばらつきを反映し、画像診断支援（CAD）システムの開発を支援することを目的とした、低線量CTスキャンから得た新しい肺結節データベース「LNDb」を紹介する。本研究では、最新の深層学習手法を用いた結節検出、分離、特徴抽出の評価を行い、フォローアップの勧告において放射線科医の性能に匹敵することを示したが、特に地域の画像診断環境に適応する際の検出が依然として主な課題である。

ABSTRACT

Lung cancer is the deadliest type of cancer worldwide and late detection is the major factor for the low survival rate of patients. Low dose computed tomography has been suggested as a potential screening tool but manual screening is costly, time-consuming and prone to variability. This has fueled the development of automatic methods for the detection, segmentation and characterisation of pulmonary nodules but its application to clinical routine is challenging. In this study, a new database for the development and testing of pulmonary nodule computer-aided strategies is presented which intends to complement current databases by giving additional focus to radiologist variability and local clinical reality. State-of-the-art nodule detection, segmentation and characterization methods are tested and compared to manual annotations as well as collaborative strategies combining multiple radiologists and radiologists and computer-aided systems. It is shown that state-of-the-art methodologies can determine a patient's follow-up recommendation as accurately as a radiologist, though the nodule detection method used shows decreased performance in this database.

研究の動機と目的

• 既存のデータベースに欠けている点を補うために、臨床的に代表的な肺結節データセットを構築し、実臨床における放射線科医のばらつきと地域の画像診断条件を反映すること。
• 実臨床現場における環境下で、最新の深層学習手法を用いた肺結節検出、分離、特徴抽出の評価を行うこと。
• 放射線科医とCADシステムの協働戦略を検討し、臨床担当者の作業負荷を増大させることなく検出感度を向上させること。
• CADシステムがFleischnerガイドラインに従ってフォローアップを勧告する患者の分類において、放射線科医の判断に匹敵する性能を示すかどうかを評価すること。

提案手法

• LNDbデータベースは、1施設から得た294例の低線量CTスキャンで構成され、2名の放射線科医が単 blinded プロトコルを用いて結節をアノテーションした。
• 放射線科医の読影セッション中に眼動-trackingデータを記録し、結節周辺の注視パターンや注視の分布を捉えた。
• 最新の深層学習モデルを用いて、結節検出、分離、悪性度特徴抽出のタスクについて学習と評価を実施した。
• 固定しきい値と動的注視に基づくフィルタリングを用いた、放射線科医の読影結果とCAD出力を組み合わせた協働戦略をテストした。
• 感度、スキャンあたりの偽陽性数、スキャン単位の一致度を評価するための加重CohenのKappa係数といった標準指標を用いて性能を評価した。
• Fleischnerガイドラインを臨床的ベンチマークとして用い、患者のフォローアップ勧告の評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 最新のCADシステムは、実臨床現場において放射線科医と同等の検出および分類性能を達成できるか？
• RQ2 放射線科医のばらつきがCADシステムの性能に与える影響は何か？ また、眼動-trackingデータは放射線科医とCADの協働を向上させるのに役立つのか？
• RQ3 放射線科医とCADシステムの協働戦略は、作業負担を増大させることなく、どの程度検出感度を向上させることができるか？
• RQ4 LIDC-IDRIなどのベンチマークデータセットとは異なる画像取得プロトコルを有するローカルデータセットに適用した場合、CADの性能は低下するのか？
• RQ5 CADシステムは、Fleischnerガイドラインに従ったフォローアップ分類において、放射線科医の判断に匹敵する正確な患者分類を実現できるか？

主な発見

• 最新のCADシステムは、個々の放射線科医と同等の患者フォローアップ分類の正確さを達成し、臨床的意義が明確に示された。
• LNDbにおける結節検出性能は、ベンチマークデータセットよりも低く、地域の画像診断特性がモデルの一般化に顕著に影響していることが示された。
• 放射線科医とCADを組み合わせた協働戦略は、特に注視に基づくフィルタリングを用いた場合、検出感度の向上をもたらしたが、サンプルサイズが小さいため、その向上は限定的であった。
• 眼動-trackingデータから、将来的なCAD設計において注目領域を優先するのに役立つ意味のある注視パターンが明らかになった。
• 感度の向上が見られたが、Fleischnerガイドラインに従ったフォローアップ分類において、協働戦略は個々の放射線科医やCAD単体の性能を顕著に上回ることはなかった。
• 本研究は、最適な性能を発揮するためには、ローカルデータでモデルを訓練することが不可欠であることを強調しており、施設間での一般化は依然として課題である。