[論文レビュー] Towards automated patient data cleaning using deep learning: A feasibility study on the standardization of organ labeling

Timothy Rozario, Troy Long+3 more|arXiv (Cornell University)|Dec 30, 2017

Medical Imaging Techniques and Applications参考文献 2被引用数 9

ひとこと要約

本研究では、放射線治療用CT画像における臓器ラベリングの標準化を自動化するため、畳み込みニューラルネットワーク（CNN）を用いた深層学習アプローチを提案している。本研究は、施設間で不一致な臓器命名法の問題に対処する。モデルは、AAPM Task Group 263で定義された標準用語を用いて154例の患者スキャンで臓器の検出とラベリングを100%の正確さで達成し、多施設研究におけるスケーラブルな自動患者データクリーニングの実現可能性を示している。

ABSTRACT

Data cleaning consumes about 80% of the time spent on data analysis for clinical research projects. This is a much bigger problem in the era of big data and machine learning in the field of medicine where large volumes of data are being generated. We report an initial effort towards automated patient data cleaning using deep learning: the standardization of organ labeling in radiation therapy. Organs are often labeled inconsistently at different institutions (sometimes even within the same institution) and at different time periods, which poses a problem for clinical research, especially for multi-institutional collaborative clinical research where the acquired patient data is not being used effectively. We developed a convolutional neural network (CNN) to automatically identify each organ in the CT image and then label it with the standardized nomenclature presented at AAPM Task Group 263. We tested this model on the CT images of 54 patients with prostate and 100 patients with head and neck cancer who previously received radiation therapy. The model achieved 100% accuracy in detecting organs and assigning standardized labels for the patients tested. This work shows the feasibility of using deep learning in patient data cleaning that enables standardized datasets to be generated for effective intra- and interinstitutional collaborative clinical research.

研究の動機と目的

• 臨床研究における主なボトル neck である、データクリーニングに分析時間の80%が費やされるという問題に対処すること。
• 放射線治療画像における施設間および時間的経過に伴う臓器ラベリングの不一致を低減すること。
• AAPM Task Group 263の命名法を用いて、自動的に臓器の検出とラベリングの標準化が可能な深層学習モデルの開発。
• 標準化・クリーニング済みの患者データセットを用いて、施設内および施設間の共同臨床研究を効果的に行えるようにすること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を用いて、横断的CT画像における臓器の分類とラベリングを学習した。
• ラベリングの基準として、AAPM Task Group 263が定めた標準化された臓器命名法を用いた。
• 訓練およびテストは、54例の前立腺がん患者および100例の頭頸部がん患者のCTスキャンを対象とした。
• 1回の推論プロセスで複数の臓器の検出と分類が可能なようにネットワークを最適化した。
• データ拡張およびトランスファーラーニング技術が使用された可能性は高いが、要約では明示的に記載されていない。

実験結果

リサーチクエスチョン

• RQ1 標準用語を用いた深層学習モデルは、放射線治療用CT画像における臓器の検出とラベリングを正確に行えるか？
• RQ2 自動ラベリングは、施設間および時間的経過に伴う臓器名の不一致をどの程度低減できるか？
• RQ3 放射線 oncology 分野における臨床データクリーニングのため、深層学習を用いた高精度な臓器ラベリングは実現可能か？
• RQ4 このようなモデルは、患者データの標準化を通じて、大規模かつ多施設連携研究を支援できるか？

主な発見

• 深層学習モデルは、CTスキャンにおける臓器の検出と標準ラベルの割り当てにおいて100%の正確さを達成した。
• 前立腺がんおよび頭頸部がん患者の両方において、モデルは完全な正確さで臓器をラベリングした。
• 本研究結果は、医学画像における自動患者データクリーニングに深層学習を用いる技術的実現可能性を示している。
• 本アプローチにより、施設内および施設間の臨床研究を効果的に行うために不可欠な標準化されたデータセットの作成が可能になった。