[論文レビュー] The Skincare project, an interactive deep learning system for differential diagnosis of malignant skin lesions. Technical Report

Daniel Sonntag, Fabrizio Nunnari+1 more|arXiv (Cornell University)|May 19, 2020

Cutaneous Melanoma Detection and Management参考文献 41被引用数 4

ひとこと要約

Skincareプロジェクトは、皮膚科的画像とスマートフォン画像を統合して、臨床医および患者を支援する、差分診断のためのインタラクティブなディープラーニングシステムを提示する。本システムは、注目マップ、セグメンテーション、特徴抽出を通じて、リアルタイムで説明可能なAI駆動診断を可能にし、20,000件の匿名化されたISIC症例で検証されたモデルにより、最先端のパフォーマンスを達成している。

ABSTRACT

A shortage of dermatologists causes long wait times for patients who seek dermatologic care. In addition, the diagnostic accuracy of general practitioners has been reported to be lower than the accuracy of artificial intelligence software. This article describes the Skincare project (H2020, EIT Digital). Contributions include enabling technology for clinical decision support based on interactive machine learning (IML), a reference architecture towards a Digital European Healthcare Infrastructure (also cf. EIT MCPS), technical components for aggregating digitised patient information, and the integration of decision support technology into clinical test-bed environments. However, the main contribution is a diagnostic and decision support system in dermatology for patients and doctors, an interactive deep learning system for differential diagnosis of malignant skin lesions. In this article, we describe its functionalities and the user interfaces to facilitate machine learning from human input. The baseline deep learning system, which delivers state-of-the-art results and the potential to augment general practitioners and even dermatologists, was developed and validated using de-identified cases from a dermatology image data base (ISIC), which has about 20000 cases for development and validation, provided by board-certified dermatologists defining the reference standard for every case. ISIC allows for differential diagnosis, a ranked list of eight diagnoses, that is used to plan treatments in the common setting of diagnostic ambiguity. We give an overall description of the outcome of the Skincare project, and we focus on the steps to support communication and coordination between humans and machine in IML. This is an integral part of the development of future cognitive assistants in the medical domain, and we describe the necessary intelligent user interfaces.

研究の動機と目的

• 皮膚科医の不足と患者の待機時間の長期化に応えるために、AI支援診断ツールの開発を行う。
• ディープラーニングに基づく意思決定支援を提供することで、一般医の診断精度を向上させる。
• 人間のフィードバックを統合してモデル予測を改善するインタラクティブな機械学習システムの構築を行う。
• 臨床現場への展開とデジタルヘルスインfra構造への統合を想定した、スケーラブルでAPIアクセス可能なアーキテクチャの開発を行う。
• 画像データと臨床記録を統合することで、包括的な患者評価を可能にし、診断推論の向上を図る。

提案手法

• ISICデータセットから得た20,000件の匿名化された皮膚科的画像を用いてトレーニングされたディープラーニングモデルを活用し、8つの皮膚疾患をカバーする。
• 注目マップを用いて、関心領域とモデルの推論を可視化することで、解釈可能性を向上させる。
• 複数の入力モダリティをサポート：皮膚科的画像（顕微鏡的）と、より広範なアクセス性を確保するためのマクロスコピックなスマートフォン画像。
• バイナリ分類（良性対悪性）、病変セグメンテーション、および特徴固有のセグメンテーション（例：グロブール、ストライプ）を対象としたエンドポイントを備えたREST APIを実装する。
• GUIに依存しないバックエンドとWebベースのインターフェースを統合し、臨床医が予測をラベル付け・修正・フィードバック提供することで、モデルパフォーマンスの向上を可能にする。
• 拡張性とデプロイメントを考慮した、構成可能なサーバー、モデル重み、静的HTMLコンテンツを備えたモジュラーソフトウェアアーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 インタラクティブなディープラーニングシステムは、プライマリケア環境における皮膚がん診断の正確性を向上させることができるか？
• RQ2 注目マップのような説明可能なAI技術は、臨床意思決定支援における信頼性と使いやすさをどのように向上させることができるか？
• RQ3 マクロスコピック画像と皮膚科的画像を組み合わせることで、差分診断の正確性はどの程度向上するか？
• RQ4 人間がシステムに参加するフィードバックは、どのように効果的に臨床AIシステムに統合され、モデルの汎化能力を向上させることができるか？
• RQ5 どのような技術的アーキテクチャが、現実の臨床ワークフローにおけるAIツールのスケーラブルな展開を可能にするか？

主な発見

• 20,000件の匿名化されたISIC症例でトレーニングされたディープラーニングモデルを用いて、8つの皮膚疾患における差分診断で最先端のパフォーマンスを達成した。
• 注目マップは、関連する病変特徴を強調する解釈可能な可視化を提供し、モデル予測に対する透明性と臨床医の信頼を向上させた。
• 本システムはバイナリ分類（良性対悪性）に加え、グロブールやストライプなどの細分化された病変特徴の高精度なセグメンテーションをサポートしている。
• REST APIにより、標準的なWebプロトコルを介したリアルタイム分類と特徴抽出が可能となり、臨床ワークフローへのシームレスな統合が実現した。
• インタラクティブな学習インターフェースにより、臨床医が予測を修正し、フィードバックを提供できるため、人間が参加する学習による継続的なモデル改善が可能になった。
• 本システムはスケーラビリティと拡張性を考慮して設計されており、モジュラーなアーキテクチャにより、多様な臨床的および非臨床的環境へのデプロイメントを可能としている。