[論文レビュー] Skin disease diagnosis with deep learning: a review

Hongfeng Li, Yini Pan+2 more|arXiv (Cornell University)|Nov 11, 2020

Cutaneous Melanoma Detection and Management参考文献 228被引用数 4

ひとこと要約

この論文は、皮膚疾患診断におけるディープラーニングの応用をレビューし、皮膚鏡画像を用いた画像分類およびセグメンテーションに特化した畳み込みニューラルネットワーク（CNN）に焦点を当てる。研究では、ディープラーニングモデルがトップ-1およびトップ-3の正確度をそれぞれ60.0%および80.3%達成しており、これは人間の専門家を上回っている。一方で、データ不足、説明可能性、一般化性能の面での課題も指摘している。

ABSTRACT

Skin cancer is one of the most threatening diseases worldwide. However, diagnosing skin cancer correctly is challenging. Recently, deep learning algorithms have emerged to achieve excellent performance on various tasks. Particularly, they have been applied to the skin disease diagnosis tasks. In this paper, we present a review on deep learning methods and their applications in skin disease diagnosis. We first present a brief introduction to skin diseases and image acquisition methods in dermatology, and list several publicly available skin datasets for training and testing algorithms. Then, we introduce the conception of deep learning and review popular deep learning architectures. Thereafter, popular deep learning frameworks facilitating the implementation of deep learning algorithms and performance evaluation metrics are presented. As an important part of this article, we then review the literature involving deep learning methods for skin disease diagnosis from several aspects according to the specific tasks. Additionally, we discuss the challenges faced in the area and suggest possible future research directions. The major purpose of this article is to provide a conceptual and systematically review of the recent works on skin disease diagnosis with deep learning. Given the popularity of deep learning, there remains great challenges in the area, as well as opportunities that we can explore in the future.

研究の動機と目的

• メラノーマおよび非メラノーマ型を含む皮膚疾患診断に応用されたディープラーニング手法の体系的レビューを提供すること。
• 皮膚画像解析に用いられる主要なデータセット、ディープラーニングアーキテクチャ、評価指標を特定すること。
• ラベル付きデータへの依存、モデルの説明可能性の欠如、多様な皮膚タイプにおける一般化の欠如といった、現在の制限要因を分析すること。
• 臨床応用に向けた今後の研究方向性として、半教師あり学習、強化学習、説明可能なAIの統合を提案すること。

提案手法

• 2011年から2020年までの皮膚科分野におけるディープラーニングに関する査読済み論文を系統的レビュー法を用いて調査した。
• 画像分類、セグメンテーション、皮膚病変の局所化というタスク別にディープラーニングモデルを分類・分析した。
• ISICなどの公開データセットを用いて、トップ-1およびトップ-3の正確度、AUC、F1スコアといった標準的な指標を用いて性能を評価した。
• 転移学習のために皮膚鏡画像で微調整された事前学習済みCNNアーキテクチャ（例：Inception, ResNet）をレビューした。
• ラベル付きデータが少ない問題を緩和するために、データ拡張および自己教師あり技術の役割を評価した。
• モデルの説明に臨床基準（ABCDE、7点チェックリスト）を統合することで、説明可能性を向上させる提案を行った。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、人間の皮膚科医と比較して、皮膚がんのタイプ分類においてどの程度の性能を示すか？
• RQ2 皮膚鏡画像解析に最も効果的なディープラーニングアーキテクチャおよびフレームワークは何か？
• RQ3 実臨床環境でのディープラーニングシステムの導入に際しての主な課題は何か？
• RQ4 半教師あり学習および自己教師あり学習は、皮膚科分野における大規模ラベル付きデータセットへの依存をどの程度軽減できるか？
• RQ5 強化学習や説明可能なAIは、皮膚疾患分類における診断意思決定をどのように改善できるか？

主な発見

• ディープラーニングモデルは、皮膚疾患データセットにおいてトップ-1およびトップ-3分類正確度をそれぞれ60.0%および80.3%達成し、一部のベンチマークでは人間の専門家を上回った。
• 皮膚鏡画像で微調整された事前学習済み畳み込みニューラルネットワーク（CNN）は、皮膚病変分類タスクの性能を顕著に向上させた。
• データセットのバイアスおよびデータの多様性の不足により、多様な皮膚タイプや病変形状への一般化が困難であることが、既存のシステムの課題となっている。
• モデルの説明可能性の欠如は、臨床現場への導入を阻害する主要な障壁であり、医師が臨床基準（ABCDEや7点チェックリスト）に整合した説明を求めるためである。
• 半教師あり学習は、大規模ラベル付きデータセットへの依存を軽減する可能性を示しているが、皮膚疾患診断への応用はまだ少数にとどまっている。
• 強化学習は皮膚疾患診断にまだ適用されていないが、診断ワークフローにおける逐次的意思決定に活用できる可能性を秘めている。