[論文レビュー] Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review from the Perspectives of Key Features of Data Analysis and AI Assurance

Muta Tah Hira, Mohammad A. Razzaque+1 more|arXiv (Cornell University)|Nov 20, 2023

AI in cancer detection被引用数 4

ひとこと要約

本システマティックレビューは、2015年から2023年までの96件の深層学習（DL）を用いた卵巣がん（OC）研究を分析し、主なデータ分析特徴およびAIアサurance（AIA）を評価した。研究では、診断・検出に向けた注力（71%）、地理的多様性の不足（75%が地域特異的）、統合的または外部バリデーションの最小限（8.3%）、AIアサuranceのほぼ完全な欠落（説明可能性を含むのはたったの2.1%）が明らかとなり、DLがOC研究に応用されるにあたり、一般化可能性、公平性、信頼性の面で深刻なギャップが存在していることが示された。

ABSTRACT

Background and objectives: By extracting this information, Machine or Deep Learning (ML/DL)-based autonomous data analysis tools can assist clinicians and cancer researchers in discovering patterns and relationships from complex data sets. Many DL-based analyses on ovarian cancer (OC) data have recently been published. These analyses are highly diverse in various aspects of cancer (e.g., subdomain(s) and cancer type they address) and data analysis features. However, a comprehensive understanding of these analyses in terms of these features and AI assurance (AIA) is currently lacking. This systematic review aims to fill this gap by examining the existing literature and identifying important aspects of OC data analysis using DL, explicitly focusing on the key features and AI assurance perspectives. Methods: The PRISMA framework was used to conduct comprehensive searches in three journal databases. Only studies published between 2015 and 2023 in peer-reviewed journals were included in the analysis. Results: In the review, a total of 96 DL-driven analyses were examined. The findings reveal several important insights regarding DL-driven ovarian cancer data analysis: - Most studies 71% (68 out of 96) focused on detection and diagnosis, while no study addressed the prediction and prevention of OC. - The analyses were predominantly based on samples from a non-diverse population (75% (72/96 studies)), limited to a geographic location or country. - Only a small proportion of studies (only 33% (32/96)) performed integrated analyses, most of which used homogeneous data (clinical or omics). - Notably, a mere 8.3% (8/96) of the studies validated their models using external and diverse data sets, highlighting the need for enhanced model validation, and - The inclusion of AIA in cancer data analysis is in a very early stage; only 2.1% (2/96) explicitly addressed AIA through explainability.

研究の動機と目的

• 深層学習（DL）を用いた卵巣がん（OC）研究におけるデータ分析の主な特徴を同定および分析すること。
• DL駆動のOC研究における現在のAIアサurance（AIA）の状態を評価すること。説明可能性、公平性、信頼性を含む。
• OCデータ分析における多様性、統合、バリデーションの実践を評価し、重要な研究ギャップを同定すること。
• 予測、予防、マルチセンター外部バリデーションといった未開拓分野を強調することで、今後の研究を導くこと。
• 安全で、公平で、信頼性のあるDLモデルの腫瘍学分野への導入を確保するため、包括的なAIA統合を提言すること。

提案手法

• 3つの査読付き学術データベースを対象に、PRISMAフレームワークを用いたシステマティックレビューを実施した。
• 2015年から2023年までに発表された、卵巣がんのデータ分析にDLを適用した96件の研究を選定した。
• データモodal（例：画像、オミクス、臨床データ）、分析目的（例：診断、予後予測）、メソドロジー的特徴に基づいて研究を分類した。
• モデルバリデーションの実践を評価し、内部バリデーションと外部バリデーション、多様な文化的背景を持つ集団の使用状況を分析した。
• 説明可能性、公平性、セキュリティ、信頼性といったAIアサurance（AIA）の要素が、どの程度取り入れられているかを評価した。
• データ統合、モデルの一般化可能性、OC-DL応用における研究ギャップに関するテーマ的知見に要約した。

実験結果

リサーチクエスチョン

• RQ1 2015年から2023年までのDLを用いた卵巣がん研究において、支配的であるデータモダリティと分析目的は何か？
• RQ2 OC研究におけるDLモデルは、外部、多様、またはマルチセンターのデータセットをどの程度活用してバリデーションされているか？
• RQ3 現在のDLを用いたOC研究において、説明可能性、公平性、セキュリティといったAIアサurance（AIA）原則はどの程度包括的に取り入れられているか？
• RQ4 統合的で多様なオミクスやハイブリッドDL-MLアプローチを採用している研究の割合はどれくらいか？また、それらは性能および一般化可能性においてどのように比較されるか？
• RQ5 特に人種的多様性とモデルの頑健性の観点から、DL駆動の卵巣がんデータ分析における主なメソドロジカルおよび倫理的ギャップは何か？

主な発見

• 68件（96件中71%）の研究が、予防や予測を除き、診断・検出に限定して取り組んでおり、卵巣がんの予測や予防に向けた研究は一切存在しなかった。
• 72件（96件中75%）の研究が、1つの地理的地域または国からのデータを用いており、集団バイアスや一般化可能性の制限が懸念される。
• 32件（96件中33%）の研究のみが統合的分析を実施しており、多くは臨床データやオミクスデータといった同質のデータタイプに限定されていた。
• 外部で多様な集団を用いたバリデーションを実施した研究はわずか8件（96件中8.3%）であり、モデルの頑健性と実世界への適用可能性に顕著なギャップが生じている。
• AIアサurance（AIA）は依然としてほとんど無視されており、説明可能性を明示的に組み込んだ研究はたった2件（96件中2.1%）にとどまり、公平性やセキュリティといった他のAIA次元に対しても研究は存在しなかった。
• 本レビューでは、今後の研究においてマルチセンターで多様な集団を対象としたバリデーション、異種データの統合的分析、そして包括的なAIAフレームワークの統合を優先すべきであるという重要なニーズを同定した。