[論文レビュー] Meta-learning for skin cancer detection using Deep Learning Techniques

Sara I. Garcia|arXiv (Cornell University)|Apr 21, 2021

Cutaneous Melanoma Detection and Management参考文献 10被引用数 6

ひとこと要約

本研究では、ImageNetで事前学習されたResNetモデルを用いたメタラーニングアプローチを提案し、限られた医療データセットにおける皮膚がん検出の一般化性能を向上させる。非医療分野のデータからの知識を活用することで、限定的かつ不均衡な医療データセット上での一般化性能が向上する。メタラーニングと単純なクラスおよび分布バランサーアルゴリズムを組み合わせることで、メラノーマ検出性能が20ポイント向上し、検証損失が著しく低下し、F1スコアとJaccard類似度が向上した。

ABSTRACT

This study focuses on automatic skin cancer detection using a Meta-learning approach for dermoscopic images. The aim of this study is to explore the benefits of the generalization of the knowledge extracted from non-medical data in the classification performance of medical data and the impact of the distribution shift problem within limited data by using a simple class and distribution balancer algorithm. In this study, a small sample of a combined dataset from 3 different sources was used to fine-tune a ResNet model pre-trained on non-medical data. The results show an increase in performance on detecting melanoma, malignant (skin cancer), and benign moles with the prior knowledge obtained from images of everyday objects from the ImageNet dataset by 20 points. These findings suggest that features from non-medical images can be used towards the classification of skin moles and that the distribution of the data affects the performance of the model.

研究の動機と目的

• 非医療画像データ（例：ImageNet）からの知識が、限られた医療用皮膚画像データセットにおける分類性能を向上させることを調査すること。
• メタラーニング手法を用いて、医療画像におけるデータ不足と分布シフトの問題を解決すること。
• 皮膚がん検出におけるモデルの一般化に与えるクラス不均衡および共変量シフトの影響を評価すること。
• 不均衡な医療データに対してモデルの頑健性を向上させるための単純なクラスおよび分布バランサーアルゴリズムの開発と検証を行うこと。

提案手法

• 3つのソースから得た小規模で統合された皮膚画像データセットを用いて、ImageNetで事前学習されたResNetモデルを微調整すること。
• 皮膚がん分類タスクへのトランスファー学習のため、最終のソフトマックス層および全結合層を削除すること。
• 少数クラスのバランスをとるとともに、訓練データとテストデータの分布を一致させるために、クラスおよび分布バランサーアルゴリズムを適用すること。
• 信頼性の高い性能評価を確保するため、ストラティファイドk分割交差検証（3反復）を実施すること。
• データ分布の異なる条件下でのモデル挙動を比較するため、クラスウェイトを用いた学習とそうでない学習を実施すること。
• モデル性能の評価指標として、Jaccard類似度インデックスとF1スコアを用いること。

実験結果

リサーチクエスチョン

• RQ1 非医療分野のImageNetデータを用いたメタラーニングは、小規模で不均衡な医療用皮膚画像データセットにおける分類性能を向上させることができるか？
• RQ2 訓練セットとテストセット間の分布シフトが、皮膚がん検出におけるモデルの一般化にどのように影響するか？
• RQ3 単純なクラスおよび分布バランサーアルゴリズムは、データ不均衡に起因する性能低下をどの程度緩和できるか？
• RQ4 関連のないドメイン（ImageNet）で事前学習したモデルは、ランダム初期化よりも皮膚がん分類においてより良い一般化性能を示すか？

主な発見

• ImageNetで事前学習された重みを用いたメタラーニングアプローチにより、ランダム初期化と比較して分類性能が20ポイント向上し、Jaccard類似度インデックスは47.22を記録した。
• クラスおよび分布バランサーアルゴリズムを用いて学習したモデルは、重みなしベースラインと比較してJaccard類似度インデックスで5ポイントの顕著な向上を示した。
• バランサーアルゴリズムを適用した場合、検証精度が向上し、検証損失が著しく低下した。これは、より良い一般化性能と過学習の低減を示している。
• バランサーアルゴリズムを用いることで、データ不足にもかかわらずF1スコアが0.53に達した。これはメラノーマ症例の認識が向上したことを示している。
• 結果から、関連のないドメインからのメタラーニングが一般化性能を向上させることを確認した。特に、分布に配慮したデータバランシングと組み合わせることで顕著な効果が得られた。
• 本研究では、モデルの共変量シフトに対する感受性が非常に高いことが判明した。これは、医療分野におけるメタラーニングにおいて、データ分布の不一致を是正する必要があることを強調している。