[論文レビュー] A Survey on Domain Knowledge Powered Deep Learning for Medical Image Analysis

Xiaozheng Xie, Jianwei Niu+3 more|arXiv (Cornell University)|Apr 25, 2020

AI in cancer detection被引用数 12

ひとこと要約

本調査は、臨床的熟練、診断的推論、解剖学的注目領域といった医療分野の知識を深層学習モデルに統合することで、小規模な医療画像データセットにおける性能向上が図られる方法をレビューする。医師の意思決定を模倣したり、臨床的に関連する領域に注目したり、医療知識と整合させることで、疾患診断、セグメンテーション、異常検出といったタスクにおける正確性が向上する。

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.

研究の動機と目的

• 深層学習の性能を制限する小規模な医療画像データセットの課題に対処すること。
• 医療専門家の分野知識がモデルの一般化性能と解釈可能性をどのように向上させるかを体系的にレビューすること。
• 医療画像分析における深層学習に用いられる医療分野の知識の種別を分類すること。
• ニューラルネットワークを臨床的推論パターンや解剖学的事前知識と一致させる統合技術を分析すること。
• 知識に配慮した医療AIにおける未解決の課題と今後の研究方向性を特定すること。

提案手法

• 診断パターン、レントゲン診断医が用いる注目メカニズム、解剖学的・生理学的事前知識などの種別に医療分野の知識を分類すること。
• 専門家の行動に合わせた深層学習モデルの方法を調査し、模倣学習や注目度蒸留技術を含むこと。
• 損失関数、注目モジュール、または注目度誘導訓練を通じて知識を組み込むアーキテクチャをレビューすること。
• 特定の病変領域に注目するなど、レントゲン診断医の意思決定プロセスを模倣するモデル行動を強制する技術を検討すること。
• 注目マップ、注目制約、または専門家モデルからの知識蒸留を通じて知識を統合する方法を分析すること。
• 疾患診断、病変検出、臓器セグメンテーション、異常局所化といったタスクにおける手法の比較を行うこと。

実験結果

リサーチクエスチョン

• RQ1 医療分野の知識は、小規模な医療画像データセットにおける深層学習の性能をどのように向上させるか？
• RQ2 診断的推論や解剖学的注目領域といった、どのような種類の医療分野の知識が深層学習モデルに成功裏に統合されたか？
• RQ3 医療画像分析におけるニューラルネットワークに分野知識を埋め込むための代表的な技術は何か？
• RQ4 知識統合モデルは、標準的な深層学習アプローチと比較して、正確性と解釈可能性の面でどのように異なるか？
• RQ5 分野知識を医療AIシステムに統合するうえで、主な課題と未解決の問題は何か？

主な発見

• レントゲン診断医の注目パターンといった分野知識を統合することで、医療画像解析におけるモデルの性能と解釈可能性が向上する。
• 専門家の診断的推論を模倣するか、臨床的に関連する領域に注目する手法は、小規模データセットにおいて標準的なCNNより一貫した性能向上を示す。
• 特にレントゲン診断医がアノテートした領域によって誘導される注目ベースの知識統合は、病変検出およびセグメンテーションの正確性を向上させる。
• 知識蒸留および注目度蒸留技術は、専門家の知識を深層学習モデルに効果的に転送する。
• 進展は見られるものの、知識表現の標準化や多様な臨床現場における耐性確保の面で課題が残っている。
• 今後の研究は、スケーラブルで一般化可能で臨床的妥当性が確認された知識統合フレームワークの構築に注力すべきである。