[論文レビュー] A survey, review, and future trends of skin lesion segmentation and classification

Md Kamrul Hasan, Md. Asif Ahamad+2 more|arXiv (Cornell University)|Aug 25, 2022

Cutaneous Melanoma Detection and Management被引用数 6

ひとこと要約

本包括的なサーベイは、2011年から2022年までの皮膚病変のセグメンテーションおよび分類に関する594件の研究を分析し、データセット、前処理、ディープラーニングアーキテクチャ、損失関数、ハイパーパramータ、評価指標を評価している。ISICが支配的データセットであることが特定され、従来の機械学習に比べてディープラーニングの優位性が強調され、実用的導入と説明可能なAI（XAI）の統合を推奨することで、実世界への採用促進と皮膚科医の信頼を高めることを目的としている。

ABSTRACT

The Computer-aided Diagnosis or Detection (CAD) approach for skin lesion analysis is an emerging field of research that has the potential to alleviate the burden and cost of skin cancer screening. Researchers have recently indicated increasing interest in developing such CAD systems, with the intention of providing a user-friendly tool to dermatologists to reduce the challenges encountered or associated with manual inspection. This article aims to provide a comprehensive literature survey and review of a total of 594 publications (356 for skin lesion segmentation and 238 for skin lesion classification) published between 2011 and 2022. These articles are analyzed and summarized in a number of different ways to contribute vital information regarding the methods for the development of CAD systems. These ways include relevant and essential definitions and theories, input data (dataset utilization, preprocessing, augmentations, and fixing imbalance problems), method configuration (techniques, architectures, module frameworks, and losses), training tactics (hyperparameter settings), and evaluation criteria. We intend to investigate a variety of performance-enhancing approaches, including ensemble and post-processing. We also discuss these dimensions to reveal their current trends based on utilization frequencies. In addition, we highlight the primary difficulties associated with evaluating skin lesion segmentation and classification systems using minimal datasets, as well as the potential solutions to these difficulties. Findings, recommendations, and trends are disclosed to inform future research on developing an automated and robust CAD system for skin lesion analysis.

研究の動機と目的

• 2011年から2022年までの皮膚病変セグメンテーション（SLS）および分類（SLC）に関する594件の出版物を体系的レビューすること。
• 皮膚病変解析におけるデータ処理、モデルアーキテクチャ、トレーニング戦略、評価ベンチマークの主要なトレンドを特定すること。
• 既存の研究における臨床的翻訳のギャップと説明可能なAI（XAI）統合の欠落を浮き彫りにすること。
• データセットの使用、モデル最適化、評価フレームワークに関するベストプラクティスを提案することで、今後の研究を導くこと。
• 強固で解釈可能なAIモデルに基づく、使いやすくリアルタイム対応の臨床応用の開発を提唱すること。

提案手法

• Google Scholarから取得した2011年から2022年までの594件の研究（SLSが356件、SLCが238件）を対象とした体系的文献レビュー。
• 入力データ（例：ISICデータセット）、前処理、データオーグメンテーション、クラス不均衡処理技術に基づく手法の分類と分析。
• ディープラーニングアーキテクチャ（例：FCN、U-Net、ResNet、SENet）、損失関数（例：DSC、Jaccard）、最適化手法（例：Adam、SGD）の分類。
• 学習率、バッチサイズ、トレーニングエポック数（一般的に100～200）を含むハイパーパramータ設定の評価。
• 評価指標（例：DSC、AUC、F1スコア、MCC）および定性的・定量的評価、TCT（技術的・臨床的・技術的）評価フレームワークの使用状況の評価。
• XAI技術（例：Grad-CAM、LIME、SHAP）の分析と、臨床意思決定や信頼性評価への統合の限定的状況の評価。

実験結果

リサーチクエスチョン

• RQ1 2011年から2022年までの皮膚病変セグメンテーションおよび分類研究において、最も一般的に使用されたデータセット、前処理技術、データオーグメンテーション戦略は何か？
• RQ2 SLSおよびSLCタスクにおいて、ディープラーニングアーキテクチャおよび損失関数は、性能および採用の観点からどのように進化したか？
• RQ3 最も一般的に使用される評価指標は何か？ それらはモデルの頑健性と臨床的関連性をどの程度適切に反映しているか？
• RQ4 594件のレビュー対象研究において、なぜ実世界の臨床的導入がほとんど見られないのか？ その背後にある障壁は何か？
• RQ5 説明可能なAI（XAI）手法は、SLSおよびSLCパイプラインにどの程度統合されているか？ また、それらは皮膚科医の信頼性およびモデルの解釈可能性にどのような影響を与えているか？

主な発見

• ISICデータセットは、大多数のレビュー対象研究に登場する最も広く使われているベンチマークであり、現在のSLSおよびSLC研究の代表的であるとされる。
• U-NetおよびResNetベースのアーキテクチャにDice損失（DSC）またはJaccardインデックス（JI）を組み合わせたディープラーニングモデルが、優れた性能とエンドツーエンド学習の能力から、支配的アプローチとなった。
• Adamなどの適応的最適化手法や、学習率スケジューリングを伴うSGDが最も一般的に使用されており、トレーニングエポック数は一般的に100～200の範囲である。
• DSC、AUC、F1スコアが最も頻繁に報告されているが、直接的な定量的評価、定性的評価、TCT（技術的・臨床的・技術的）評価フレームワークの実践的利用は不十分である。
• XAI技術を統合している研究はわずかにしかおらず、さらにその影響が診断精度や皮膚科医の受容性に与える影響を評価している研究は極めて少ないことから、重要な研究ギャップが浮き彫りになっている。
• 膨大な研究が存在するにもかかわらず、594件のレビュー対象論文の中で、臨床的導入可能で使いやすいアプリケーションを開発した研究は1件もないことから、研究と実世界実装の間には顕著な乖離が存在している。