[論文レビュー] Role of Edge Device and Cloud Machine Learning in Point-of-Care Solutions Using Imaging Diagnostics for Population Screening

Amit Kharat, Vinay Duddalwar+9 more|arXiv (Cornell University)|Jun 18, 2020

COVID-19 diagnosis using AI参考文献 10被引用数 4

ひとこと要約

本論文は、リソースが制限された環境における集団スクリーニングにおけるポイント・オブ・ケア画像診断のためのハイブリッド・エッジ・クラウド機械学習フレームワークを提案する。エッジでのデバイス内推論によりリアルタイムのトリアージを実現し、クラウドベースのモデルによりモデルの最適化を図る。X線、超音波、その他の医療画像に対して、Tuberculosis（結核）や肺炎などの疾患を即時かつ帯域幅に依存しないスクリーニングが可能となり、特にリソースが限られた環境での診断遅延を顕著に短縮する。

ABSTRACT

Edge devices are revolutionizing diagnostics. Edge devices can reside within or adjacent to imaging tools such as digital Xray, CT, MRI, or ultrasound equipment. These devices are either CPUs or GPUs with advanced processing deep and machine learning (artificial intelligence) algorithms that assist in classification and triage solutions to flag studies as either normal or abnormal, TB or healthy (in case of TB screening), suspected COVID-19/other pneumonia or unremarkable (in hospital or hotspot settings). These can be deployed as screening point-of-care (PoC) solutions; this is particularly true for digital and portable X-ray devices. Edge device learning can also be used for mammography and CT studies where it can identify microcalcification and stroke, respectively. These solutions can be considered the first line of pre-screening before the imaging specialist actually reviews scans and makes a final diagnosis. The key advantage of these tools is that they are instant, can be deployed remotely where experts are not available to perform pre-screening before the experts actually review, and are not limited by internet bandwidth as the nano learning data centers are placed next to the device.

研究の動機と目的

• ポイント・オブ・ケアにAIを導入することで、集団スクリーニングにおける診断遅延を解消すること。
• 遠隔地やリソースが限られた臨床環境におけるインターネット帯域幅の制限および専門家不足の課題を克服すること。
• X線や超音波などの医療画像のリアルタイムで、デバイス内での分類を可能にし、結核や肺炎などの疾患の早期発見を実現すること。
• エッジとクラウドの機械学習を統合することで、診断ワークフローにおける速度、正確性、スケーラビリティのバランスを図ること。
• 毎回の検査で即座に専門家によるレビューを要しない、スケーラブルかつ遠隔でのAI駆動スクリーニングツールの展開を支援すること。

提案手法

• デジタルX線、CT、超音波装置などの画像診断機器に統合された、軽量なディープラーニングモデル（CPU/GPU搭載のエッジデバイス）を展開する。
• エッジベースの推論により、画像検査を「正常」「異常」「結核陽性」「疑わしい肺炎」といった分類でリアルタイムに分類する。
• 二段階アーキテクチャを実装：エッジデバイスが初期トリアージを実行し、匿名化されたデータがクラウドベースのモデルに送られ、継続的なモデル再訓練と改善が行われる。
• エッジデバイスと同所に配置されたナノラーニングデータセンターを活用し、遅延と帯域幅依存性を最小限に抑える。
• 携帯性や低消費電力に適したデバイス向けに、トランスファーラーニングおよびモデル圧縮技術を適用し、推論速度とモデルサイズを最適化する。
• モality固有のモデル適応により、マンモグラフィーやCTスキャンにおける脳卒中検出を含む、多様な画像モodalitiesへの対応を設計する。

実験結果

リサーチクエスチョン

• RQ1 エッジベースの機械学習は、リソースが制限された環境におけるポイント・オブ・ケア画像診断の速度とアクセス性をどのように向上させるか？
• RQ2 集団スクリーニングの場面において、デバイス内推論とクラウドベースのモデル最適化の間で生じるパフォーマンスのトレードオフは何か？
• RQ3 エッジAIは、結核や肺炎などの疾患に対して、X線や超音波画像を十分な正確性でトリアージ可能であり、専門家の負荷を軽減できるか？
• RQ4 ハイブリッド・エッジ・クラウドアーキテクチャは、継続的なモデル改善を可能にしつつ、どのようにデータプライバシーを維持できるか？
• RQ5 このフレームワークは、多様な画像モダリティや臨床環境にどの程度スケーラブルに展開可能か？

主な発見

• エッジデバイスにより、インターネット接続がなくても、ポイント・オブ・ケアで医療画像の即時かつリアルタイム分類が可能となり、診断遅延が著しく短縮される。
• ハイブリッド・エッジ・クラウドアーキテクチャにより、エッジでの低遅延推論を維持しながら、クラウドベースでの継続的モデル再訓練による性能向上が可能となる。
• 本システムは、ポータブルかつ低消費電力の画像診断デバイスへの展開を可能とし、遠隔地や医療が行きわたらぬ臨床現場に適している。
• エッジベースのトリアージにより、結核や肺炎の異常例を高い感度で特定可能となり、専門家レビューを要する検査の数を削減できる。
• エッジデバイスと同所に配置されたナノラーニングデータセンターにより、帯域制限が解消され、効率的なデバイス内推論が実現される。
• 本フレームワークは、デジタルX線、超音波、マンモグラフィー、CTなど、多様な画像モダリティに適応可能であり、さまざまなスクリーニング用途に展開可能である。