[논문 리뷰] An Interpretable Deep Hierarchical Semantic Convolutional Neural Network for Lung Nodule Malignancy Classification

Shiwen Shen, Simon Han외 3명|arXiv (Cornell University)|2018. 06. 02.

Lung Cancer Diagnosis and Treatment참고 문헌 21인용 수 9

한 줄 요약

이 논문은 CT 영상에서 폐 결절의 악성도 분류를 위한 새로운 해석 가능한 딥 히에라르키컬 세분적 컨볼루션 신경망(HSCNN)을 제안한다. 통합 손실 함수를 통해 다섯 가지 방사선의사 정의한 세분적 특징(예: 경계, 질감, 태도 등)과 악성도 상태를 동시에 예측함으로써, 모델은 해석 가능성을 향상시키고 LIDC 데이터셋에서 표준 3D CNN보다 뛰어난 성능을 달성한다.

ABSTRACT

While deep learning methods are increasingly being applied to tasks such as computer-aided diagnosis, these models are difficult to interpret, do not incorporate prior domain knowledge, and are often considered as a "black-box." The lack of model interpretability hinders them from being fully understood by target users such as radiologists. In this paper, we present a novel interpretable deep hierarchical semantic convolutional neural network (HSCNN) to predict whether a given pulmonary nodule observed on a computed tomography (CT) scan is malignant. Our network provides two levels of output: 1) low-level radiologist semantic features, and 2) a high-level malignancy prediction score. The low-level semantic outputs quantify the diagnostic features used by radiologists and serve to explain how the model interprets the images in an expert-driven manner. The information from these low-level tasks, along with the representations learned by the convolutional layers, are then combined and used to infer the high-level task of predicting nodule malignancy. This unified architecture is trained by optimizing a global loss function including both low- and high-level tasks, thereby learning all the parameters within a joint framework. Our experimental results using the Lung Image Database Consortium (LIDC) show that the proposed method not only produces interpretable lung cancer predictions but also achieves significantly better results compared to common 3D CNN approaches.

연구 동기 및 목표

• 깊이 학습 모델이 폐 결절 진단에 사용될 때 해석 가능성의 부족 문제를 해결하기 위해.
• 세분적 특징 예측을 통해 방사선의사 전문 지식을 딥 러닝 프레임워크에 통합하기 위해.
• 저수준의 세분적 특징과 고수준의 악성도 예측을 함께 학습시켜 악성도 분류 성능을 향상시키기 위해.
• 수작업 특징과 세그멘테이션 마스크에 대한 의존도를 줄이기 위해 엔드 투 엔드, 데이터 기반 접근 방식을 사용하기 위해.
• 임상적으로 관련성이 있는 진단 특징를 사용해 예측을 설명할 수 있는 모델을 만들기 위해.

제안 방법

• HSCNN 아키텍처는 공유 컨볼루션 레이어와 함께, 다섯 가지 세분적 특징(화학침착, 경계, 미세함, 질감, 태도)을 위한 작업별 전용 분기로 구성된다.
• 저수준의 세분적 특징 예측을 고수준의 악성도 분류 경로에 통합하기 위해 점프 연결을 사용한다.
• 세분적 특징 예측 및 악성도 분류 작업의 손실을 통합한 글로벌 손실 함수를 사용하여 모델을 엔드 투 엔드로 훈련시킨다.
• 세분적 특징에 대해 이진 레이블링(예: 자극성 대비 비자극성)을 적용하여 독자 간 변동성과 데이터 희소성을 줄인다.
• 3D CT 볼륨을 사용하여 LIDC/IDRI 데이터셋에서 모델을 훈련시키며, 공동 최적화를 통해 작업 간 특징 공유를 가능하게 한다.
• 최종 악성도 예측은 공유 백본과 중간 단계의 세분적 출력에서 학습된 표현에 의해 영향을 받는다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 임상적으로 관련성이 있는 세분적 특징과 악성도 상태를 동시에 예측하면서도 방사선의사가 이해할 수 있는 해석 가능성을 유지할 수 있는가?
• RQ2 세분적 특징과 악성도 예측을 공동으로 학습시키는 것이 표준 3D CNN보다 분류 성능을 향상시키는가?
• RQ3 전문가 기반의 세분적 출력을 통합할 경우 정확도를 희생시키지 않고 모델의 해석 가능성은 어느 정도 향상되는가?
• RQ4 이진 세분적 레이블링의 사용이 독자 간 변동성이 존재하는 상황에서 성능과 강건성에 어떤 영향을 미치는가?
• RQ5 모델이 임상 의사결정 지원을 위해 세분적 특징 생성기로 기능할 수 있는가?

주요 결과

• 통계적 검증을 통해 HSCNN은 LIDC 데이터셋에서 표준 3D CNN보다 악성도 분류 성능이 유의미하게 뛰어나다는 것이 확인되었다.
• 모델의 세분적 특징 예측(예: 경계, 질감)은 방사선의사의 해석과 일치하여 진단 투명성을 향상시켰다.
• 글로벌 손실 함수를 사용한 공동 훈련은 작업 간 특징 일반화를 향상시켜 전체 성능 향상에 기여했다.
• 세분적 특징의 이진 레이블링은 독자 간 변동성으로 인한 노이즈를 줄이고, 특히 저빈도 척도에서 모델의 안정성을 향상시켰다.
• 세분적 특징 예측의 포함은 모델의 해석 가능성을 크게 향상시켜 임상의가 악성도 예측의 근거를 이해할 수 있도록 했다.
• HSCNN 프레임워크는 확장 가능하며, 추가적인 세분적 특징을 포함하거나 다른 의료 영상 분야에 적용할 수 있다.