[論文レビュー] Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms

Flavio P. Loss, Pedro Henrique da Cunha+13 more|arXiv (Cornell University)|Jan 2, 2024

Spectroscopy Techniques in Biomedical and Chemical ResearchBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本研究では、患者から収集した皮膚病変の生体内近赤外分光法データである、NIR-SC-UFESデータセットを紹介し、特にSNV前処理を施したLightGBMおよびGANベースのデータ拡張を用いた機械学習モデルを用いて、悪性（メラノーマ、BCC、SCC）および良性（母斑、ACK、SEK）病変を分類する手法を評価した。最良のモデルは、83.9％のバランス精度、85.1％の再現率、85.2％の適合率、85.0％のF1スコアを達成し、非侵襲的で分子レベルの分光法に基づく皮膚がんのスクリーニングの自動化に向けた基盤的ステップを示した。

ABSTRACT

Skin lesions are classified in benign or malignant. Among the malignant, melanoma is a very aggressive cancer and the major cause of deaths. So, early diagnosis of skin cancer is very desired. In the last few years, there is a growing interest in computer aided diagnostic (CAD) using most image and clinical data of the lesion. These sources of information present limitations due to their inability to provide information of the molecular structure of the lesion. NIR spectroscopy may provide an alternative source of information to automated CAD of skin lesions. The most commonly used techniques and classification algorithms used in spectroscopy are Principal Component Analysis (PCA), Partial Least Squares - Discriminant Analysis (PLS-DA), and Support Vector Machines (SVM). Nonetheless, there is a growing interest in applying the modern techniques of machine and deep learning (MDL) to spectroscopy. One of the main limitations to apply MDL to spectroscopy is the lack of public datasets. Since there is no public dataset of NIR spectral data to skin lesions, as far as we know, an effort has been made and a new dataset named NIR-SC-UFES, has been collected, annotated and analyzed generating the gold-standard for classification of NIR spectral data to skin cancer. Next, the machine learning algorithms XGBoost, CatBoost, LightGBM, 1D-convolutional neural network (1D-CNN) were investigated to classify cancer and non-cancer skin lesions. Experimental results indicate the best performance obtained by LightGBM with pre-processing using standard normal variate (SNV), feature extraction providing values of 0.839 for balanced accuracy, 0.851 for recall, 0.852 for precision, and 0.850 for F-score. The obtained results indicate the first steps in CAD of skin lesions aiming the automated triage of patients with skin lesions in vivo using NIR spectral data.

研究の動機と目的

• 皮膚病変のための公開可能な生体内近赤外分光法データセットの不足に対処すること。
• スペクトルデータを用いた自動皮膚がん診断のための最新の機械学習およびディープラーニングアルゴリズムの評価すること。
• 前処理、特徴抽出、およびデータ増強（SMOTEおよびGAN）が分類性能に与える影響を調査すること。
• SHAP解釈可能性を用いて、がん性と非がん性の病変を区別する上で重要なスペクトル領域を同定すること。
• 非侵襲的で分子レベルの分光的データを用いた将来的な臨床的スクリーニングツールの基盤を構築すること。

提案手法

• ポータブルMicronir分光計を用いて、168名の患者から生体内近赤外分光スペクトル（900–1700 nm）を収集した。
• メラノーマ（MEL）、基底細胞癌（BCC）、扁平上皮癌（SCC）、母斑（NEV）、光化性角化症（ACK）、脂漏性角化症（SEK）の6種類の病変を含むNIR-SC-UFESデータセットを構築した。
• スペクトルデータの散乱効果を低減するために、標準正規変換（SNV）前処理を適用した。
• 統計的記述統計量を用いた特徴抽出を実施し、クラスの不均衡を是正するためにSMOTEおよびGANベースのオーバーサンプリングを実施した。
• 前処理および拡張済みデータを用いて、XGBoost、CatBoost、LightGBM、1D-CNN、SVM、PLS-DAを訓練・比較した。
• モデルの予測を解釈し、最も特徴的なスペクトル領域（939.072–994.821 nm）を特定するためにSHAP分析を用いた。

Figure 2: Acquisition of the NIR spectral data of a patient lesion using the Micronir portable spectrometer.

実験結果

リサーチクエスチョン

• RQ1 限られたサンプルサイズのもとで、機械学習モデルは生体内近赤外分光法データを用いて皮膚病変を効果的に分類できるか？
• RQ2 SNV、GAN、SMOTEといった異なる前処理およびデータ増強手法が、スペクトルデータの分類性能に与える影響は何か？
• RQ3 伝統的モデル（SVM、PLS-DA）と最新のモデル（GBM、1D-CNN）のうち、どの機械学習アルゴリズムがこの新規スペクトルデータセットで最も優れた性能を示すか？
• RQ4 悪性と良性の皮膚病変を区別する上で、どのスペクトル領域が最も情報量が多いか？
• RQ5 SHAPのような解釈可能性手法は、分類プロセスにおいて生物学的に関連性のあるスペクトル特徴をどの程度特定できるか？

主な発見

• SNV前処理とGANベースのデータ増強を施したLightGBMが最高の性能を示し、バランス精度83.9％、再現率85.1％、適合率85.2％、F1スコア85.0％を達成した。
• SHAP分析により、病変分類において最も特徴的なスペクトル領域は939.072 nm～994.821 nmの間であると特定された。
• 勾配ブースティングモデルの中で、LightGBMはCatBoostをわずかに上回ったが、XGBoostは同等の性能を示したが、一貫性に欠けた結果を示した。
• GANを用いたデータ増強は、メラノーマなど代表が少ない病変タイプのモデル一般化性能を顕著に向上させた。
• SNV前処理を組み合わせた1D-CNNは、誤検出と見逃しの削減において優れた性能を示したが、完全に収束させるにはより多くのデータを要した。
• NIR-SC-UFESデータセットは、皮膚病変のための公開可能な最初の生体内近赤外スペクトルデータセットであり、今後の研究における重要なベンチマークを提供する。

Figure 3: Spectral data sample of the six kind of skin lesions contained in the NIR-SC-UFES dataset.