[論文レビュー] Towards the Augmented Pathologist: Challenges of Explainable-AI in Digital Pathology

Andreas Holzinger, Bernd Malle+5 more|arXiv (Cornell University)|Dec 18, 2017

AI in cancer detection参考文献 32被引用数 69

ひとこと要約

本論文は、デジタル病理学におけるAI/MLと人間の病理医の統合に向けた研究アジェンダを概説し、説明可能性、データ統合、教育的および臨床ワークフローを強調して“augmented pathologist”を創出することを提案します。

ABSTRACT

Digital pathology is not only one of the most promising fields of diagnostic medicine, but at the same time a hot topic for fundamental research. Digital pathology is not just the transfer of histopathological slides into digital representations. The combination of different data sources (images, patient records, and *omics data) together with current advances in artificial intelligence/machine learning enable to make novel information accessible and quantifiable to a human expert, which is not yet available and not exploited in current medical settings. The grand goal is to reach a level of usable intelligence to understand the data in the context of an application task, thereby making machine decisions transparent, interpretable and explainable. The foundation of such an "augmented pathologist" needs an integrated approach: While machine learning algorithms require many thousands of training examples, a human expert is often confronted with only a few data points. Interestingly, humans can learn from such few examples and are able to instantly interpret complex patterns. Consequently, the grand goal is to combine the possibilities of artificial intelligence with human intelligence and to find a well-suited balance between them to enable what neither of them could do on their own. This can raise the quality of education, diagnosis, prognosis and prediction of cancer and other diseases. In this paper we describe some (incomplete) research issues which we believe should be addressed in an integrated and concerted effort for paving the way towards the augmented pathologist.

研究の動機と目的

• 臨床医を置換するのではなく、人間の専門知識を補強するために、デジタル病理学におけるAI/MLの必要性を動機づける。
• 説明可能な洞察を可能にするために、HCIと知識発見/データマイニング (KDD) を組み合わせた、統合された人間中心のアプローチを提案する。
• 全スライド画像(W SI)フォーマットの標準化や注釈/メタデータといったデータ中心の前提条件を特定する。
• 画像、EPRs、および *omics データを横断したデータ統合を論じ、新しいバイオマーカーや診断洞察を引き出す。
• 説明可能性を支える解釈可能な深層学習、グラフベースの手法、およびトポロジカルデータマイニングを含む方法論的方向性を強調する。

提案手法

• 仮説設定、特徴検出/分類、リスク予測を含む machine-aided pathology のワークフローを説明する。
• テラバイト級の病変データを管理するためのマルチ解像度分析と image pyramids の利用を論じる。
• 入力空間へ特徴を関連付けるデコンボリューションネットワークなどの可視化技術を含む、解釈可能な深層学習のアプローチをレビューする。
• 異種データ（画像、EHRs、*omics）を結びつけるためのグラフ理論的および確率的アプローチを提案し、説明可能な推論を促進する。
• 医用画像の多様体構造と近接ベースの説明を扱うトポロジカルデータマイニングの概念を提案する。

実験結果

リサーチクエスチョン

• RQ1 臨床実践においてAIベースの病理診断を説明可能かつ実用的にするための主要な課題と研究課題は何か。
• RQ2 画像、臨床記録、および *omics データの統合がaugmentation pathologist をどのように支援できるか。
• RQ3 デジタル病理学における深層学習モデルをより透明で信頼できるものにするためのAI/MLおよび可視化戦略は何か。
• RQ4 グラフベースおよびトポロジカルデータマイニングのアプローチは、病理学におけるモーダルを超えた推論をどのように高めるか。

主な発見

• AI/ML は、仮説設定、特徴検出、予後予測にまたがる診断ワークフローを補強し、品質と教育の改善につながる可能性がある。
• WSIデータは非常に大規模で（例：画像あたり16 Gigapixels）、マルチ解像度分析とデータ管理戦略を必要とする。
• 解釈可能なDLアプローチ（例：deconvnetの可視化）は、層全体にわたる学習特徴への洞察を提供し、説明可能性を支援できる。
• グラフベースの表現は、画像領域と異種データソースを結びつけ、統合解析への道を提供する。
• データ標準化とベンダー横断の可視化パラダイムは、相互運用性と教育のために不可欠である。