[論文レビュー] Lung Cancer Screening Using Adaptive Memory-Augmented Recurrent Networks

Aryan Mobiny, Supratik Moulik+1 more|arXiv (Cornell University)|Oct 11, 2017

COVID-19 diagnosis using AI参考文献 48被引用数 12

ひとこと要約

本稿では、CT画像における肺結節の分類に適応的で、放射線科医のフィードバックから迅速に再訓練可能であり、データ分布の変化に対しても頑健なメモリ拡張型再帰的ネットワーク（MANN）を提案する。再帰的ネットワークを用いて計算される不一致密度関数（IDF）を導入し、ノイズのあるラベルを検出しフィルタリングする。合成データでは95%のノイズ除去を達成し、放射線科医が再ラベル付けした画像の63%が誤分類であると特定した。

ABSTRACT

In this paper, we investigate the effectiveness of deep learning techniques for lung nodule classification in computed tomography scans. Using less than 10,000 training examples, our deep networks perform two times better than a standard radiology software. Visualization of the networks' neurons reveals semantically meaningful features that are consistent with the clinical knowledge and radiologists' perception. Our paper also proposes a novel framework for rapidly adapting deep networks to the radiologists' feedback, or change in the data due to the shift in sensor's resolution or patient population. The classification accuracy of our approach remains above 80% while popular deep networks' accuracy is around chance. Finally, we provide in-depth analysis of our framework by asking a radiologist to examine important networks' features and perform blind re-labeling of networks' mistakes.

研究の動機と目的

• CTスキャンからの肺結節分類において、深層学習モデルと放射線科医、標準的な放射線科ソフトウェアを体系的に比較すること。
• 放射線科医のフィードバックやデータ分布の変化（例：センサー解像度や患者集団の変化）に迅速に適応できるフレームワークを構築すること。
• 肺結節データセットにおけるノイズの多い正解ラベルという深刻な問題に取り組み、モデル性能の低下を防ぐこと。
• 再帰的ネットワークのダイナミクスを用いて、新しい不一致密度関数（IDF）が誤ラベルのサンプルを同定する有効性を検証すること。

提案手法

• CTスキャンからの特徴抽出に3D ResNetを用い、その後にメモリ拡張型ニューラルネットワーク（MANN）を適用して、順次的なフィードバックをモデル化し、予測を適応的に変更する。
• MANNの学習中にラベルシャッフルを実施し、画像特徴とラベルの間の動的結合を強制することで、静的マッピングを回避し、ラベル変更への対応性を向上させる。
• 特定のサンプルが種として用いられ、そのラベルが誤りである可能性がある場合に、テストサンプル間での予測の不一致を測る指標として、不一致密度関数（IDF）を導入する。
• 種となるサンプルを固定されたMANNに入力し、正しくラベル付けされた既知のサンプルの小さな集合に対して誤った予測数を数えることで、IDFを計算する。
• IDFを用いて高い不一致度を持つサンプル（誤ラベルの可能性が高い）を同定し、95%信頼水準でのガウスモデルを用いてノイズラベルをフィルタリングする。
• 20%のラベルノイズを含む合成MNISTデータと、実際の肺結節データを用いて手法を検証し、IDFでマークされた高リスクサンプルを放射線科医が盲検再ラベル付けする。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、CTスキャンからの肺結節分類において、放射線科医や標準的な放射線科ソフトウェアと比較してどの程度の性能を示すか？
• RQ2 新しいスキャナーや患者集団の変化に起因するデータ分布の変化に対しても、高い精度を維持しながら、放射線科医のフィードバックやデータ分布の変化に迅速に適応できる深層学習モデルは構築可能か？
• RQ3 再帰的ネットワークに基づく不一致密度関数は、肺結節データセットにおけるノイズラベルを効果的に検出し、フィルタリングできるか？
• RQ4 深層ネットワークが犯す誤りは、臨床的意味を持ち、放射線科医の認識と一貫しており、インタラクティブフィードバックによって是正可能か？

主な発見

• クロスエラー測定基準下で、10,000例未満の学習例で学習させた場合でも、標準的な放射線科ソフトウェアよりも深層ネットワークが4.8倍優れた性能を示した。
• 提案されたMANNベースの分類器は、データ分布の変化に対しても80%以上の精度を維持したが、標準的な深層ネットワークでは精度が偶然レベルまで低下した。
• 20%のラベルノイズを含む合成MNISTデータセットにおいて、不一致密度関数（IDF）は95%以上の誤ラベルを同定した。
• 実際の肺結節データでは、IDFによって誤ラベルの可能性が指摘された画像の63%が、盲検再ラベル付けの結果、放射線科医によって異なるラベルに再割り当てされた。これは本手法の有効性を裏付けた。
• ネットワークフィルタの可視化により、臨床的知識や放射線科医の認識と整合する意味のある特徴が得られた。
• 放射線科医によるネットワークの誤りの盲検再ラベル付けの結果、モデルの誤りは専門家にとっても極めて紛らわしく、人間の診断課題と整合していることが示された。