[論文レビュー] Artificial Intelligence in Surgery

Xiaoyun Zhou, Yao Guo+2 more|arXiv (Cornell University)|Dec 23, 2019

Surgical Simulation and Training被引用数 8

ひとこと要約

本論文は、深層学習を用いた術前計画、術中ガイダンス、および外科用ロボット工学を対象として、人工知能（AI）の外科学への統合をレビューする。AIが画像解析、リアルタイム意思決定、ロボットの自律性の向上に果たす役割を強調しつつ、臨床現場における説明可能性、安全性、倫理的配備の課題にも言及する。

ABSTRACT

Artificial Intelligence (AI) is gradually changing the practice of surgery with the advanced technological development of imaging, navigation and robotic intervention. In this article, the recent successful and influential applications of AI in surgery are reviewed from pre-operative planning and intra-operative guidance to the integration of surgical robots. We end with summarizing the current state, emerging trends and major challenges in the future development of AI in surgery.

研究の動機と目的

• 外科学の手順全体にわたるAIの応用に関する最近の進展をレビューすること、すなわち術前計画から術中ガイダンス、ロボット統合までを対象とする。
• 動的で患者特異的な外科学的環境にAIを導入する際の主な技術的課題を特定すること。
• 深層学習が画像分類、検出、セグメンテーション、リアルタイムナビゲーションの向上に果たす役割を検討すること。
• AIを統合した外科学的ロボットの現状を評価すること、自律性のレベルと人間-機械協働のあり方を含む。
• AIを臨床的外科学に採用するにあたり、信頼性、データプライバシー、責任の所在といった点での倫理的・法的・規制的課題を検討すること。

提案手法

• CT、MRI、超音波画像の分類および検出に、深層畳み込みニューラルネットワーク（DCNNs）を用いて画像解析を自動化する。
• 限られた医療画像データセットにおいて性能を向上させるために、ResNet-50、Inception、Darknet-19などのアーキテクチャを用いた転移学習を適用する。
• 臨床データからの術後合併症の予測に、時間的要因をモデル化するための再帰的ニューラルネットワーク（RNNs）を用いる。
• 模倣学習（LfD）と強化学習（RL）を用いて、適応的で自律的なタスク実行を可能にする外科用ロボットとAIを統合する。
• 視覚的、触覚的、生理的センサーのマルチモーダルデータを統合し、動的で変化する術中環境における認識力とリアルタイム意思決定能力を強化する。
• 3次元再構成とアライメント技術を活用して、臓器の変形や患者特異的解剖学的特徴を考慮したAI駆動の手術計画フレームワークを提案する。

実験結果

リサーチクエスチョン

• RQ1 AIは、画像分類およびセグメンテーションの自動化によって、術前手術計画をどのように改善できるか？
• RQ2 内視鏡的手術におけるリアルタイム術中ガイダンスにAIを適用するにあたり、技術的および臨床的課題は何か？
• RQ3 AIは、外科学的ロボットにおける自律性の向上をどの程度可能にできるのか？また、模倣学習（LfD）や強化学習（RL）などの学習パラダイムの中で、どの手法が最も効果的か？
• RQ4 AIを臨床的外科学的実践に採用するにあたり、主な倫理的・法的障壁は何か？
• RQ5 高リスクの外科学的環境において、AIシステムをより説明可能で安全かつ信頼性の高いものにするにはどうすればよいか？

主な発見

• ResNet-50 や Inception などの深層学習モデルは、医療画像からの肺がん、膀胱がん、乳腺がんのタイプ分類において、人間の水準の正確性を達成した。
• RNNs は、標準的な臨床ツールに比べて、術後合併症（死亡率、腎不全など）のリアルタイム予測において、性能が向上した。
• 転移学習を用いたDCNNs は、超音波画像における良性と悪性の病変を区別する際、高い感度と特異度を示した。
• AIベースのシステムは、従来の手作業による特徴抽出手法に比べ、解剖学的構造の自動検出およびセグメンテーションにおいて、より高い頑健性と一般化能力を実現した。
• AIを統合した外科用ロボットは、すでに基本的なタスク（縫合、結束）を自律的に行えるようになったが、完全な自律性は未だ到達していない。
• 説明可能性、リアルタイム効率、マルチモーダルデータ統合、生体組織の変形への適応性といった、依然として大きな課題が残っている。