[論文レビュー] Recent advances in deep learning applied to skin cancer detection

André G. C. Pacheco, Renato A. Krohling|arXiv (Cornell University)|Dec 6, 2019

Cutaneous Melanoma Detection and Management参考文献 35被引用数 11

ひとこと要約

本稿は、皮膚がんの自動検出における深層学習の最近の進展をレビューし、皮膚科医レベルの性能を達成する畳み込みニューラルネットワーク（CNN）およびアンサンブルモデルに焦点を当てる。スマートフォンへのモデル導入における課題、データプライバシー、説明可能なAIの必要性を強調し、臨床的実用性と低資源環境におけるアクセス性を向上させるために、視覚的質問応答（VQA）とマルチモーダル画像処理の導入を提言する。

ABSTRACT

Skin cancer is a major public health problem around the world. Its early detection is very important to increase patient prognostics. However, the lack of qualified professionals and medical instruments are significant issues in this field. In this context, over the past few years, deep learning models applied to automated skin cancer detection have become a trend. In this paper, we present an overview of the recent advances reported in this field as well as a discussion about the challenges and opportunities for improvement in the current models. In addition, we also present some important aspects regarding the use of these models in smartphones and indicate future directions we believe the field will take.

研究の動機と目的

• 自動皮膚がん検出の最先端の深層学習モデル、特にCNNおよびアンサンブル手法をレビューすること。
• 特に、遠隔地や支援が不足している地域におけるスマートフォン上でのこれらのモデルの実用的導入における主な課題を特定すること。
• モバイルヘルスアプリケーションにおけるデータプライバシー、患者の機微性、モデルの透明性といった倫理的・技術的問題を検討すること。
• 今後の方向性として、臨床的、皮膚鏡的、組織病理学的画像を含むマルチモーダル画像統合と、視覚的質問応答（VQA）を活用した診断の解釈可能性と医師の信頼性を高めるための提案を行うこと。
• 一般消費者向けの皮膚がん検出アプリの公的リリース前に、軽量なモデル設計と専門家による認定を推進すること。

提案手法

• ISICアーカイブ（25,331枚の学習画像、8,238枚のテスト画像）を含む大規模な皮膚鏡画像データセットを用いて、深層学習モデルの学習と評価を行う。
• 残差ネットワークを含む、事前学習済みで非常に深いCNNアーキテクチャを採用し、皮膚病変分類において高い診断精度を達成する。
• 複数のCNNアーキテクチャを組み合わせることで、耐性性と予測性能を向上させるアンサンブル学習手法を適用する。
• 大規模な臨床画像データセット（例：Estevaらの129,450枚の画像を含むデータセット）で事前学習したモデルを、新たな診断タスクに適応させるためのトランスファーラーニングを採用する。
• 臨床的、皮膚鏡的、組織病理学的画像を含むマルチモーダルデータ統合の検討を行い、診断的推論を強化する。
• 医師がモデルの予測結果に対して質問できるようにする視覚的質問応答（VQA）フレームワークの提案を行い、解釈可能性と臨床的関連性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデル、特にCNNおよびアンサンブル手法は、皮膚鏡画像および臨床画像から皮膚がんを分類する際、皮膚科医と比較してどの程度の性能を示すか？
• RQ2 特にインターネット接続が制限される地域において、スマートフォン上に皮膚がん検出モデルを導入するにあたり、主な技術的および倫理的課題は何か？
• RQ3 患者の信頼と臨床的受容を確保するため、モデルの解釈可能性と透明性をどのように向上できるか？
• RQ4 臨床的、皮膚鏡的、組織病理学的画像を含むマルチモーダル画像統合は、診断精度と臨床的実用性をどの程度向上できるか？
• RQ5 視覚的質問応答（VQA）は、医師によるAIベースの皮膚がん検出システムの使いやすさと受容性を向上させるために果たす役割は何か？

主な発見

• 特にアンサンブルCNNを用いた深層学習モデルは、ISICアーカイブの皮膚鏡画像から良性および悪性皮膚病変を分類する際、皮膚科医レベルの性能を達成している。
• Estevaらのモデルは129,450枚の臨床画像で学習されたが、診断精度は国家資格を持つ皮膚科医と同等であったが、データセットは非公開であり、研究コミュニティからアクセスできないままである。
• 高い性能を発揮しているにもかかわらず、現在のスマートフォンベースのアプリは、しばしばサーバー側での推論に依存しており、インターネット接続のない地域では機能が制限される。
• 既存のスマートフォンアプリの多くは、開発者の特定、データ取り扱い、臨床的妥当性に透明性がなく、患者の安全とデータプライバシーの懸念を引き起こしている。
• メラノーマ検出における偽陰性は、治療の遅延と潜在的な死亡リスクを引き起こす深刻な危険を伴うため、一般公開前に厳密なテストと専門家の認定を絶対に必要とする。
• 今後のシステムは、マルチモーダル画像統合とVQAフレームワークの導入を進め、二値分類を越えて、対話的な診断支援を可能にするべきである。