[論文レビュー] Machine learning-based analysis of hyperspectral images for automated sepsis diagnosis

Maximilian Dietrich, Silvia Seidlitz+17 more|arXiv (Cornell University)|Jun 15, 2021

Optical Imaging and Spectroscopy Techniques参考文献 42被引用数 7

ひとこと要約

本研究では、掌および大腿部からのスペクトルシグネチャーを用いた線形判別分析（LDA）を適用することで、皮膚組織のハイパースペクトルイメージング（HSI）データから、機械学習がセプシスを98％以上の精度で分類可能であることを示している。高い性能が達成されたものの、今後の研究でこれら要因を考慮しない場合、アルゴリズムの精度を過大評価するリスクが生じる、被験者関連、治療関連、画像取得関連の交絡要因が同定された。

ABSTRACT

Sepsis is a leading cause of mortality and critical illness worldwide. While robust biomarkers for early diagnosis are still missing, recent work indicates that hyperspectral imaging (HSI) has the potential to overcome this bottleneck by monitoring microcirculatory alterations. Automated machine learning-based diagnosis of sepsis based on HSI data, however, has not been explored to date. Given this gap in the literature, we leveraged an existing data set to (1) investigate whether HSI-based automated diagnosis of sepsis is possible and (2) put forth a list of possible confounders relevant for HSI-based tissue classification. While we were able to classify sepsis with an accuracy of over $98\,\%$ using the existing data, our research also revealed several subject-, therapy- and imaging-related confounders that may lead to an overestimation of algorithm performance when not balanced across the patient groups. We conclude that further prospective studies, carefully designed with respect to these confounders, are necessary to confirm the preliminary results obtained in this study.

研究の動機と目的

• 機械学習を用いたハイパースペクトルイメージング（HSI）データからの自動的セプシス診断が可能かどうかを調査すること。
• HSIベースのセプシス分類にバイアスを及える可能性がある、被験者関連、治療関連、画像取得関連の潜在的交絡要因を同定および分析すること。
• これらの交絡要因がモデル性能に与える影響を評価することで、HSIベースの機械学習モデルの一般化可能性を検証すること。
• 今後の前向きな研究を支援するため、同定された交絡要因を考慮した枠組みを提供すること。
• 早期の前向きデータ収集の重要性を強調しつつ、デジタル患者データと比較してHSIの早期セプシス検出における診断可能性を評価すること。

提案手法

• ハイパースペクトルイメージング（HSI）データを含む、ハイデルベルク大学病院の既存データセットを用い、セプシス患者、膵切除術患者、健常対照群の掌および大腿部からのスペクトル画像を分析した。
• 全被験者における中央値スペクトルシグネチャーを抽出し、線形判別分析（LDA）を用いてセプシスを分類した。
• 被験者群（セプシス、手術、健常）間での臨床的および画像的変数の分布を比較することで、系統的な交絡要因分析を実施した。
• ボックスプロットおよびスワームプロットを用いて交絡要因を可視化し、静的・動的被験者要因（年齢、BMI、MAP、SpO2、Hb、ビリルビン）、治療要因（体液バランス、VIS、換気状態）、画像取得要因（取得時刻、ソフトウェアバージョン）を含めた。
• 不要光（スレイトライト）アーチファクトに起因する画像を同定・除外するためのアルゴリズムを適用した。
• 時間的および技術的変動（2019年11月のソフトウェア更新など）がスペクトルデータの一貫性に与える影響を評価した。

実験結果

リサーチクエスチョン

• RQ1 皮膚組織からのハイパースペクトルイメージング（HSI）データを用いた機械学習は、高精度な自動的セプシス診断を達成可能か？
• RQ2 HSIベースのセプシス分類において、被験者関連、治療関連、画像取得関連の要因が交絡要因として機能するか、それらがモデル性能に与える影響は何か？
• RQ3 年齢、血行動態パラメータ、画像処理ソフトウェアバージョンなどの交絡変数が分類結果にどれほどバイアスを及えるか？
• RQ4 セプシス患者のスペクトルシグネチャーは、健常対照群および手術群とどのように異なり、これらの差は交絡要因の影響を受けても一貫性を保っているか？
• RQ5 これらの交絡要因は、HSIベースのセプシス診断アルゴリズムの一般化可能性および臨床的応用にどのような影響を及えるか？

主な発見

• LDAに基づく機械学習モデルは、既存データセットにおいて98％を超えるセプシス分類精度を達成した。
• 年齢、BMI、MAP、SpO2、Hb、ビリルビン、体液バランス、VIS、換気状態などの複数の交絡要因が同定され、これらがモデル性能にバイアスを及える可能性がある。
• 取得時刻やソフトウェアバージョンの変更（特に2019年11月）といった画像取得関連の交絡要因が、スペクトルデータおよびLDAプロットに顕著な影響を及えた。
• 不要光アーチファクトは、主にセプシスおよび膵切除術患者由来の画像のわずかなサブセットに影響を及えたが、系統的に同定され、除外された。
• 本研究では、血行動態的および代謝的パラメータに差が生じる被験者群の差が、バランスが取れていない場合にアルゴリズム性能が過大評価される可能性があることが明らかになった。
• 著者らは、今後の前向き研究において、これらの交絡要因を慎重に制御する必要があると結論づけている。これにより、本研究の後向き分析で観察された高い性能が、妥当に検証されるようになる。