[論文レビュー] MedSelect: Selective Labeling for Medical Image Classification Combining Meta-Learning with Deep Reinforcement Learning

Akshay Smit, Damir Vrabac+4 more|arXiv (Cornell University)|Mar 26, 2021

COVID-19 diagnosis using AI参考文献 25被引用数 4

ひとこと要約

MedSelectは、対照的事前学習埋め込みを用いてトレーニング可能なセレクタをガイドする、メタラーニングおよび深層強化学習に基づく選択的ラベリング手法を提案する。この手法は、ランダム選択、クラスタリング、メタデータに基づく戦略よりも、情報量の多いチストレントゲン画像を選択する上で優れた性能を示し、予測不能な疾患状態にも効果的に一般化する。選択された画像は埋め込み空間において類似性が高く、年齢および性別の分布もよりバランスが取れている。

ABSTRACT

We propose a selective learning method using meta-learning and deep reinforcement learning for medical image interpretation in the setting of limited labeling resources. Our method, MedSelect, consists of a trainable deep learning selector that uses image embeddings obtained from contrastive pretraining for determining which images to label, and a non-parametric selector that uses cosine similarity to classify unseen images. We demonstrate that MedSelect learns an effective selection strategy outperforming baseline selection strategies across seen and unseen medical conditions for chest X-ray interpretation. We also perform an analysis of the selections performed by MedSelect comparing the distribution of latent embeddings and clinical features, and find significant differences compared to the strongest performing baseline. We believe that our method may be broadly applicable across medical imaging settings where labels are expensive to acquire.

研究の動機と目的

• 限られた専門家ラベル付きデータの問題に対処するため、ラベル付けコストを低減する選択的ラベリング戦略を開発すること。
• 少ないラベル付き例でモデル性能を向上させるために、医療画像の最適な選択ポリシーを学習すること。
• メタトレーニング中に観察しなかった疾患状態に対しても、推論時に一般化できること。
• 埋め込み、年齢、性別、撮影投影方向の分布的性質を分析し、選択バイアスと戦略の有効性を理解すること。
• ラベル付けが高コストかつ時間のかかる臨床現場の実世界パイプラインにおいて、本手法の実用性を示すこと。

提案手法

• MedSelectは、対照的事前学習から得られる画像埋め込みを用いて、1,000枚のラベルなしチストレントゲン画像の中からどの画像をラベル付けるかを決定するトレーニング可能な深層強化学習セレクタを採用する。
• セレクタは、ラベルなしプール内の画像に対して確率分布を出力し、从中からK枚の画像をサンプリングして専門家のラベル付けを受ける。
• ラベル付きサポートセット上でトレーニングされたコサイン類似度に基づく非パラメトリック分類器が、AUCを報酬信号として用いてクエリセットで評価される。
• セレクタはポリシー勾配法とバックプロパゲーションを用いてエンドツーエンドでトレーニングされ、クエリセットにおける高いAUC性能を最適化するように設計されている。
• 本手法は、10,000のメタトレーニングタスクを用いたメタラーニングフレームワークを採用しており、それぞれが特定の疾患状態（例：浮腫、不張塞栓）に関する二値分類問題である。
• ゼロショット一般化能力をテストするために、ホールドアウトされた疾患状態（浮腫および不張塞栓）上で評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 メタラーニングでトレーニングされた深層強化学習ベースのセレクタは、限られたラベル付きデータにおける医療画像分類において、ヒューリスティック選択戦略を上回ることができるか？
• RQ2 MedSelectは、メタトレーニング中に見なかった疾患状態にも一般化可能であり、ゼロショット一般化を示せるか？
• RQ3 ベースライン戦略と比較して、選択された画像は埋め込み空間の類似性、年齢、性別、撮影投影方向においてどのように異なるか？
• RQ4 選択された画像の分布は、ランダム選択と比較して年齢および埋め込み類似性の面で顕著に異なるか？
• RQ5 選択戦略の影響は、未観測のクエリセットにおけるAUC測定によって、モデル性能にどのように影響を与えるか？

主な発見

• MedSelectは、観測済みおよび未観測の疾患状態の両方において、ランダム選択、クラスタリングベースの選択、メタデータに基づくヒューリスティック戦略を顕著に上回るAUC性能を示した。
• ホールドアウトされた疾患状態（浮腫および不張塞栓）において、MedSelectは平均AUC 0.85を達成し、次に優れたベースラインより4.2ポイント高い結果（p < 0.001）を示した。
• MedSelectは、クラスタリングベースラインと比較して、埋め込み空間において顕著に近い距離にあるX線を選択し、平均ペairワイズL2距離は7.76 vs. 8.22（p < 0.001）であった。
• 本手法は、性別分布をよりバランスよく選択し、主に前額撮影X線を選択するが、ベースラインでは強いバイアスが見られた。
• MedSelectにおける選択X線の年齢分布は、ランダム選択とは顕著に異なり、ウォッシャーティン距離は13.58であり、クラスタリングベースラインの8.43よりも高い（p < 0.001）。
• MedSelectにおける選択された埋め込み間のペアワイズL2距離の分布も、ランダム選択とは顕著に異なり、ウォッシャーティン距離は2.01であり、クラスタリングベースラインの1.22よりも高い（p < 0.001）。