[論文レビュー] Machine Learning and Deep Learning Methods for Building Intelligent Systems in Medicine and Drug Discovery: A Comprehensive Survey

G. Jignesh Chowdary, G. Suganya+3 more|arXiv (Cornell University)|Jul 19, 2021

COVID-19 diagnosis using AI参考文献 106被引用数 7

ひとこと要約

本包括的なサーベイは、16の医学的専門分野およびドラッグディスcoveryにおける機械学習（ML）およびディープラーニング（DL）の応用をレビューし、疾患診断およびワークフロー最適化のためのモデル（CNN、RNN、GANなど）を評価している。主なトレンド、データセット、臨床的インパクトを特定し、医療分野におけるAI駆動型診断システムの構造的概要を提示している。

ABSTRACT

With the advancements in computer technology, there is a rapid development of intelligent systems to understand the complex relationships in data to make predictions and classifications. Artificail Intelligence based framework is rapidly revolutionizing the healthcare industry. These intelligent systems are built with machine learning and deep learning based robust models for early diagnosis of diseases and demonstrates a promising supplementary diagnostic method for frontline clinical doctors and surgeons. Machine Learning and Deep Learning based systems can streamline and simplify the steps involved in diagnosis of diseases from clinical and image-based data, thus providing significant clinician support and workflow optimization. They mimic human cognition and are even capable of diagnosing diseases that cannot be diagnosed with human intelligence. This paper focuses on the survey of machine learning and deep learning applications in across 16 medical specialties, namely Dental medicine, Haematology, Surgery, Cardiology, Pulmonology, Orthopedics, Radiology, Oncology, General medicine, Psychiatry, Endocrinology, Neurology, Dermatology, Hepatology, Nephrology, Ophthalmology, and Drug discovery. In this paper along with the survey, we discuss the advancements of medical practices with these systems and also the impact of these systems on medical professionals.

研究の動機と目的

• 16の医学的専門分野（循環器学、腫瘍学、放射線学、皮膚科など）における機械学習およびディープラーニングの応用を体系的かつ包括的に調査すること。
• 畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、生成対抗ネットワーク（GANs）を含むディープラーニングアーキテクチャの役割が、臨床現場における診断精度およびワークフロー効率をどのように向上させるかを分析すること。
• AIベースのシステムが医療従事者に与える影響、特に診断支援、意思決定支援、手術支援の観点から評価すること。
• AIモデルのトレーニングおよび検証に不可欠な、公に利用可能な医療画像および臨床データセットを収集・レビューすること。
• 医学およびドラッグディスCOVERY分野における、堅牢で汎用性があり、臨床現場に導入可能なAIシステムを開発するうえでの研究ギャップおよび今後の方向性を特定すること。

提案手法

• IEEE、Elsevier、ACM、Springerのデータベースを対象に、キーワード（例：「machine learning」、「deep learning」、および専門分野固有の用語）を用いた体系的文献レビューを実施した。
• 教師ありおよび教師なし学習のパラダイムを用いて、疾患診断、画像セグメンテーション、ドラッグディスCOVERYにおける応用に基づき、MLおよびDLモデルを分類・分析した。
• 畳み込みニューラルネットワーク（CNNs）による医療画像分類およびセグメンテーション、RNNsによる心電図や音声などの時系列データ処理、GANsによるデータ増強および合成画像生成のためのディープラーニングアーキテクチャを評価した。
• ChestXpert、MIMIC-CXR、fastMRI、Medical Segmentation Decathlonを含む36の公的医療データセットをレビューし、モデルトレーニングに必要なデータの可用性および品質を評価した。
• 出版された研究から報告されたAUC、正解率、F1スコアなどの指標を用いて、専門分野ごとのモデル性能をマッピングした。
• 体系的な知見を統合し、ハイブリッドモデル、アンサンブル手法、および臨床医とAIの協働を重視するインTELリジェント診断システムのフレームワークを構築した。

実験結果

リサーチクエスチョン

• RQ1 機械学習およびディープラーニングモデルは、多様な医学的専門分野において、診断精度およびワークフロー効率をどのように向上させているか？
• RQ2 腫瘍検出、臓器セグメンテーション、心電図解析などの特定の医療タスクにおいて、最も効果的なディープラーニングアーキテクチャ（例：CNNs、RNNs、GANs）は何か？
• RQ3 医療画像および臨床データにおけるAIモデルのトレーニングおよびベンチマークに最も広く使われており効果的な公的データセットは何か？
• RQ4 ハイブリッドおよびアンサンブルモデルは、複雑な疾患予測において単一モデルアプローチと比較して、診断性能をどのように向上させているか？
• RQ5 さまざまな専門分野における医療実践へのAIシステム統合が及ぼす臨床的インパクトおよび倫理的配慮は何か？

主な発見

• CNNsは、肺ネジュールや腫瘍検出において、複数の研究でAUCが0.90を超える高い性能を示した。
• GANsは、データ不足を克服するために合成医療画像を生成することで、低データ環境下でのモデルの汎用性向上および過学習の低減に有効であった。
• XGBoost、SVM、CNNsを組み合わせたアンサンブル手法は、複数クラス疾患予測タスクにおいて、個々のモデルと比較して診断精度を5～10%向上させた。
• ChestXpert、MIMIC-CXR、Medical Segmentation Decathlonなどの公的データセットは、再現可能なベンチマーク作成を可能にし、専門分野横断的なモデル開発を加速した。
• AIシステムは、糖尿病網膜症、肺がん、脳出血の早期診断において強く有望な可能性を示し、一部のモデルは放射線科医レベルの性能に達しているか、それを上回っている。
• AIを臨床ワークフローに統合することで、診断時間の短縮、一貫性の向上、およびHCMやARDSなどの複雑な疾患における早期介入を支援することができた。