[논문 리뷰] A Survey on Domain Knowledge Powered Deep Learning for Medical Image Analysis

Xiaozheng Xie, Jianwei Niu외 3명|arXiv (Cornell University)|2020. 04. 25.

AI in cancer detection인용 수 12

한 줄 요약

이 종합 검토는 소규모 의료 영상 데이터셋에서의 딥러닝 성능 향상을 위해 임상 전문성, 진단 추론, 해부학적 주의와 같은 의료 분야 지식을 어떻게 통합할 수 있는지 분석한다. 의료진의 의사결정 방식을 모방하거나 임상적으로 관련성이 있는 영역에 집중하거나 의료 지식과 일치시키는 방식으로, 이러한 방법들은 질병 진단, 세분화, 비정상성 탐지와 같은 작업에서 정확도를 향상시킨다.

ABSTRACT

Although deep learning models like CNNs have achieved a great success in medical image analysis, small-sized medical datasets remain to be the major bottleneck in this area. To address this problem, researchers start looking for external information beyond the current available medical datasets. Traditional approaches generally leverage the information from natural images. More recent works utilize the domain knowledge from medical doctors, by letting networks either resemble how they are trained, mimic their diagnostic patterns, or focus on the features or areas they particular pay attention to. In this survey, we summarize the current progress on introducing medical domain knowledge in deep learning models for various tasks like disease diagnosis, lesion, organ and abnormality detection, lesion and organ segmentation. For each type of task, we systematically categorize different kinds of medical domain knowledge that have been utilized and the corresponding integrating methods. We end with a summary of challenges, open problems, and directions for future research.

연구 동기 및 목표

• 딥러닝 성능을 제한하는 소규모 의료 영상 데이터셋 문제를 해결한다.
• 의료 전문가의 도메인 지식이 모델의 일반화 능력과 해석 가능성 향상에 어떻게 기여하는지 체계적으로 검토한다.
• 의료 영상 분석을 위한 딥러닝에 활용된 다양한 유형의 의료 도메인 지식을 분류한다.
• 신경망을 임상적 추론 패턴과 해부학적 사전 지식에 맞추기 위한 통합 기법을 분석한다.
• 지식 기반 의료 AI 시스템에서 도메인 지식 통합의 열린 과제와 향후 연구 방향을 식별한다.

제안 방법

• 진단 패턴, 방사선의가 사용하는 주의 메커니즘, 해부학적/생리학적 사전 지식 등의 유형으로 의료 도메인 지식을 분류한다.
• 전문가 행동과 일치하는 딥러닝 모델을 위한 방법을 조사한다. 예를 들어, 모방 학습 및 주의 풍모 증류 기법을 포함한다.
• 손실 함수, 주의 모듈, 또는 주의 유도 학습을 통해 지식을 통합하는 아키텍처를 검토한다.
• 방사선의의 의사결정 과정을 모방하도록 모델 행동을 강제하는 기법을 검토한다. 예를 들어 특정 병변 영역에 집중하는 방식이다.
• 주의 맵, 주의 제약 조건, 또는 전문가 모델에서의 지식 증류를 통해 지식을 주입하는 방식을 분석한다.
• 질병 진단, 병변 탐지, 장기 세분화, 비정상성 국소화 등의 작업 간에 방법을 비교한다.

실험 결과

연구 질문

• RQ1 의료 도메인 지식은 소규모 의료 영상 데이터셋에서 딥러닝 성능을 어떻게 향상시킬 수 있는가?
• RQ2 진단 추론이나 해부학적 주의와 같은 유형의 의료 도메인 지식 중에서 딥러닝 모델에 성공적으로 통합된 것은 무엇인가?
• RQ3 의료 영상 분석을 위한 신경망에 도메인 지식을 통합하기 위한 주요 기법은 무엇인가?
• RQ4 지식 통합 모델은 정확도와 해석 가능성 측면에서 표준 딥러닝 접근 방식과 어떻게 비교되는가?
• RQ5 의료 AI 시스템에 도메인 지식 통합 과정에서의 핵심 과제와 열린 문제는 무엇인가?

주요 결과

• 방사선의의 주의 패턴과 같은 도메인 지식을 통합하면 의료 영상 분석에서 모델 성능과 해석 가능성 향상에 기여한다.
• 전문가의 진단 추론 방식을 모방하거나 임상적으로 관련성이 있는 영역에 집중하는 방법은 소규모 데이터셋에서 표준 CNN보다 일관된 성능 향상을 보인다.
• 특히 방사선의가 주석을 달아 레이블링한 영역에 의해 안내되는 주의 기반 지식 통합 기법은 병변 탐지 및 세분화 정확도를 향상시킨다.
• 지식 증류 및 주의 증류 기법은 전문가 지식을 딥러닝 모델에 효과적으로 전달한다.
• 진전이 있었음에도 불구하고, 지식 표현의 표준화 및 다양한 임상 환경에서의 강건성 확보 문제는 여전히 남아 있다.
• 향후 연구는 확장 가능하고 일반화 가능하며 임상적으로 검증된 지식 통합 프레임워크 개발에 초점을 맞춰야 한다.