[論文レビュー] Deep Learning in Computer-Aided Diagnosis and Treatment of Tumors: A Survey

Dan Zhao, Guizhi Xu+4 more|arXiv (Cornell University)|Nov 2, 2020

AI in cancer detection参考文献 100被引用数 6

ひとこと要約

本レビューは、2017–2019年の間の腫瘍の画像診断および治療支援のためのディープラーニング分野における最近の進展を概説し、臨床的段階（in-vitro診断、画像診断、病理診断、治療計画）の4段階にわたり進捗を整理している。医療タスクに適した主要なディープラーニングモデルを特定し、放射線毒性や薬物反応といった未開拓の臨床的予測分野を強調するとともに、最新のモデル統合と adversarial な耐性の向上による臨床的関連性と信頼性の向上を提言する。

ABSTRACT

Computer-Aided Diagnosis and Treatment of Tumors is a hot topic of deep learning in recent years, which constitutes a series of medical tasks, such as detection of tumor markers, the outline of tumor leisures, subtypes and stages of tumors, prediction of therapeutic effect, and drug development. Meanwhile, there are some deep learning models with precise positioning and excellent performance produced in mainstream task scenarios. Thus follow to introduce deep learning methods from task-orient, mainly focus on the improvements for medical tasks. Then to summarize the recent progress in four stages of tumor diagnosis and treatment, which named In-Vitro Diagnosis (IVD), Imaging Diagnosis (ID), Pathological Diagnosis (PD), and Treatment Planning (TP). According to the specific data types and medical tasks of each stage, we present the applications of deep learning in the Computer-Aided Diagnosis and Treatment of Tumors and analyzing the excellent works therein. This survey concludes by discussing research issues and suggesting challenges for future improvement.

研究の動機と目的

• 2017年から2019年までの腫瘍診断および治療分野におけるディープラーニングの応用を体系化し、既存のレビューにおけるギャップを埋める。
• IVD、ID、PD、TPの臨床プロセスに沿って研究進捗を整理し、透明性がありタスク指向の知識構造を提供する。
• 未活用の最先端ディープラーニングモデル（例：Transformers、SegNet）を特定し、腫瘍学的応用への統合を提唱する。
• 生存予測よりも臨床的意義の高い予測タスク（例：放射線毒性、薬物反応）を強調する。
• 腫瘍診断および治療分野における adversarial な耐性に関する研究の著しい不足に言及し、将来的な信頼性と倫理的配慮の向上に向けた研究の必要性を訴える。

提案手法

• 本論文は、腫瘍診断および治療分野におけるディープラーニング応用を体系的にレビューし、4つの臨床的段階（in-vitro診断（IVD）、画像診断（ID）、病理診断（PD）、治療計画（TP））に焦点を当てる。
• 検出、セグメンテーション、分類、予測といった医療タスクの種別に基づいてディープラーニングモデルを分類・分析し、モデルアーキテクチャと臨床的データタイプの関連を提示する。
• 最先端モデル（例：U-Net、R-CNN、Transformers）を比較し、特定の医療タスクにおける性能と適性を評価する。
• 臨床的意義のある予測タスク（例：放射線用量応答）と、一般的に報告されつつも臨床的行動性に乏しいタスク（例：生存予測）との間の乖離を同定する。
• 解釈可能性と adversarial な耐性の必要性を強調し、AI分野における重要性が高まる中で、腫瘍学分野ではそのような研究がほとんど存在しないことを指摘する。
• 本研究は、NCCN臨床実践ガイドラインを基準として用い、研究を臨床基準と一致させ、実世界への適用可能性を高める。

実験結果

リサーチクエスチョン

• RQ1 腫瘍診断および治療の4段階にわたり、ディープラーニングモデルを体系的に分類・適用する方法は何か？
• RQ2 放射線毒性や薬物反応といった臨床的価値の高い予測タスクが、その高い臨床的価値にもかかわらず、なぜ未開拓のままであるのか？
• RQ3 特にモデルの一般化能力と耐性に関する点で、現在の腫瘍学分野におけるディープラーニング応用の主な制限要因は何か？
• RQ4 最先端のディープラーニングアーキテクチャ（例：Transformers、SegNet）を、医療画像および臨床データ解析にどのようにより効果的に統合できるか？
• RQ5 adversarial 学習と耐性評価は、腫瘍診断および治療分野におけるAIの信頼性と信頼性を向上させるために果たす役割は何か？

主な発見

• 腫瘍診断分野におけるディープラーニング研究の大部分は、検出、セグメンテーション、分類タスクに集中しており、臨床的行動性のある予測分野への進捗は限定的である。
• U-Netのようなモデルは医療画像分野で広く採用され、改良も進んでいるが、Transformers や Segmentation is All You Need といったより高度なアーキテクチャは、腫瘍学分野では依然として未活用にとどまっている。
• 治療反応関連の予測タスク（例：放射線毒性、薬物効果、腫瘍侵食）は臨床的に重要であるが、データ不足と研究進捗の遅れにより制限を受けている。
• 生存期間予測は頻繁に報告されているが、しばしば臨床的有用性に欠け、悪性腫瘍では死亡率が高いという既知の事実を再確認するにとどまっている。
• 腫瘍診断分野における adversarial な耐性とモデル信頼性は、依然としてほとんど研究がなされておらず、将来的な影響が非常に高い重要な研究ギャップである。
• ディープラーニングと臨床ガイドライン（例：NCCN）の統合は、AI研究を現実の腫瘍学的臨床実践に一致させるために不可欠である。