[論文レビュー] Lung cancer screening with low-dose CT scans using a deep learning approach

Jason Causey, Yuanfang Guan+5 more|arXiv (Cornell University)|Jun 1, 2019

Lung Cancer Diagnosis and Treatment参考文献 17被引用数 21

ひとこと要約

本研究では、結節のアノテーションを必要とせずに低線量CTスキャンから肺がん状態を予測する深層学習モデルであるDeepScreenerを紹介する。マルチタスク学習とスパatialピラミッドを用いて複数スケールでの結節検出を実現し、独立したNLSTテストセットで78.2%の正確性と0.858のAUCを達成した。これは、肺がんスクリーニングにおける誤検出を低減する可能性を示している。

ABSTRACT

Lung cancer is the leading cause of cancer deaths. Early detection through low-dose computed tomography (CT) screening has been shown to significantly reduce mortality but suffers from a high false positive rate that leads to unnecessary diagnostic procedures. Quantitative image analysis coupled to deep learning techniques has the potential to reduce this false positive rate. We conducted a computational analysis of 1449 low-dose CT studies drawn from the National Lung Screening Trial (NLST) cohort. We applied to this cohort our newly developed algorithm, DeepScreener, which is based on a novel deep learning approach. The algorithm, after the training process using about 3000 CT studies, does not require lung nodule annotations to conduct cancer prediction. The algorithm uses consecutive slices and multi-task features to determine whether a nodule is likely to be cancer, and a spatial pyramid to detect nodules at different scales. We find that the algorithm can predict a patient's cancer status from a volumetric lung CT image with high accuracy (78.2%, with area under the Receiver Operating Characteristic curve (AUC) of 0.858). Our preliminary framework ranked 16th of 1972 teams (top 1%) in the Data Science Bowl 2017 (DSB2017) competition, based on the challenge datasets. We report here the application of DeepScreener on an independent NLST test set. This study indicates that the deep learning approach has the potential to significantly reduce the false positive rate in lung cancer screening with low-dose CT scans.

研究の動機と目的

• 低線量CTスキャンを用いた肺がんスクリーニングにおける高い誤検出率を低減すること。
• 結節のアノテーションを必要としない深層学習モデルを構築すること。
• 自動ボリュメトリック画像解析により、早期肺がん検出の正確性を向上させること。
• National Lung Screening Trial (NLST) の独立したデータセット上でモデルの性能を検証すること。
• 深層学習が不要な診断手順を削減する臨床的潜在能力を示すこと。

提案手法

• DeepScreenerモデルは、約3,000件のCTスキャンで訓練された、独自の深層学習アーキテクチャを採用している。
• 連続するCTスライスとマルチタスク学習を用いて、結節の悪性リスクを評価する。
• スパatialピラミッドプーリングモジュールにより、肺内のさまざまなスケールでの結節検出が可能である。
• モデルはエンドツーエンドでトレーニング可能であり、推論時に手動による結節アノテーションを必要としない。
• 全CTスキャンからのボリュメトリック特徴を活用して、患者レベルのがん状態を予測する。
• このフレームワークは、まずData Science Bowl 2017コンペティションで検証され、上位1%にランクインした。

実験結果

リサーチクエスチョン

• RQ1 結節のアノテーションに依存せずに、低線量CTスキャンから肺がん状態を予測できる深層学習モデルは存在するか？
• RQ2 マルチタスク学習とスパatialピラミッドアプローチは、さまざまなサイズの悪性結節を効果的に検出できるか？
• RQ3 DeepScreenerモデルは独立したNLSTテストセットでどの程度の性能を示すか？
• RQ4 この手法は、肺がんスクリーニングにおける誤検出率をどの程度低減できるか？
• RQ5 このモデルは、コンペティションベンチマークを越えた実臨床データセットにも十分に一般化できるか？

主な発見

• DeepScreenerモデルは、独立したNLSTテストセットで分類正確性78.2%を達成した。
• モデルは受信器操作特性曲線下積分（AUC）0.858を示し、優れた識別性能を示した。
• モデルはData Science Bowl 2017コンペティションで1,972チーム中16位にランクされ、上位1%に入った。
• 手動による結節アノテーションを必要としなかったため、アノテーションの負担が軽減された。
• マルチタスク学習とスパatialピラミッドプーリングの統合により、多様な結節サイズでの検出性能が向上した。
• 結果から、深層学習が低線量CT肺がんスクリーニングにおける誤検出を顕著に低減できる可能性が示唆された。