[논문 리뷰] Towards the Augmented Pathologist: Challenges of Explainable-AI in Digital Pathology

Andreas Holzinger, Bernd Malle외 5명|arXiv (Cornell University)|2017. 12. 18.

AI in cancer detection참고 문헌 32인용 수 69

한 줄 요약

이 논문은 디지털 병리에서 인공지능/ML을 인간 병리의와 통합하기 위한 연구 의제를 개략적으로 제시하며, 설명가능성, 데이터 통합, 교육적 및 임상 워크플로우를 강조하여 '보강된 병리학자'를 창출하려 한다.

ABSTRACT

Digital pathology is not only one of the most promising fields of diagnostic medicine, but at the same time a hot topic for fundamental research. Digital pathology is not just the transfer of histopathological slides into digital representations. The combination of different data sources (images, patient records, and *omics data) together with current advances in artificial intelligence/machine learning enable to make novel information accessible and quantifiable to a human expert, which is not yet available and not exploited in current medical settings. The grand goal is to reach a level of usable intelligence to understand the data in the context of an application task, thereby making machine decisions transparent, interpretable and explainable. The foundation of such an "augmented pathologist" needs an integrated approach: While machine learning algorithms require many thousands of training examples, a human expert is often confronted with only a few data points. Interestingly, humans can learn from such few examples and are able to instantly interpret complex patterns. Consequently, the grand goal is to combine the possibilities of artificial intelligence with human intelligence and to find a well-suited balance between them to enable what neither of them could do on their own. This can raise the quality of education, diagnosis, prognosis and prediction of cancer and other diseases. In this paper we describe some (incomplete) research issues which we believe should be addressed in an integrated and concerted effort for paving the way towards the augmented pathologist.

연구 동기 및 목표

• 임상의 전문성을 대체하기보다 보강하기 위해 디지털 병리에서 AI/ML의 필요성을 제기한다.
• 설명가능한 통찰을 가능하게 하는 HCI와 지식 탐지/데이터 마이닝(KDD)을 결합한 통합적이고 인간 중심의 접근 방식을 제안한다.
• 전제 조건으로서 전체 슬라이드 이미징(WSI) 형식의 표준화와 주석/메타데이터와 같은 데이터 중심 전제 조건을 식별한다.
• 새로운 바이오마커와 진단 통찰을 열어주기 위해 이미지, EPR, 및 *omics 데이터 간의 데이터 통합에 대해 논의한다.
• 설명가능성을 support하기 위한 해석가능한 딥러닝, 그래프 기반 방법, 위상 데이터 마이닝을 포함한 방법론적 방향을 강조한다.

제안 방법

• 가설 수립, 특징 탐지/분류, 위험 예측을 포함한 기계 보조 병리학 워크플로우를 설명한다.
• 테라바이트 규모의 슬라이드 데이터를 관리하기 위한 다중 해상도 분석 및 이미지 피라미드의 활용에 대해 논의한다.
• 입력 공간과의 연결성을 시각화하는 역전파 네트워크(deconvolutional networks)와 같은 시각화 기법을 포함한 해석가능한 딥러닝 접근법을 검토한다.
• 설명가능한 추론을 위해 이질적 데이터(이미지, 전자 건강 기록(EHRs), *omics)를 연결하는 그래프 이론적 및 확률적 접근법을 제안한다.
• 의료 영상에서 매니폴드 구조를 다루고 근접성 기반 설명을 제공하기 위한 위상 데이터 마이닝 개념을 제안한다.

실험 결과

연구 질문

• RQ1 임상 실무에서 AI 기반 병리학을 설명가능하고 사용 가능하게 만드는 데 있어 주요 도전과제와 연구 이슈는 무엇인가?
• RQ2 영상, 임상 기록, 및 *omics 데이터의 통합이 보강된 병리학자 지원에 어떻게 기여할 수 있는가?
• RQ3 디지털 병리학의 딥러닝 모델을 더 투명하고 신뢰할 수 있도록 만드는 AI/ML 및 시각화 전략은 무엇인가?
• RQ4 그래프 기반 및 위상 데이터 마이닝 접근법이 병리학의 교차 모드 추론을 어떻게 향상시킬 수 있는가?

주요 결과

• AI/ML은 가설 수립, 특징 탐지 및 예후에 걸친 진단 워크플로를 보강할 수 있어 품질과 교육을 향상시킬 잠재력이 있다.
• WSI 데이터는 매우 크며(예: 이미지당 16기가픽셀) 다중 해상도 분석 및 데이터 관리 전략이 필요하다.
• 해석가능한 DL 접근법(예: deconvnet 시각화)은 학습된 특징이 계층 전반에 걸쳐 어떻게 형성되었는지 통찰을 제공하여 설명가능성을 높일 수 있다.
• 그래프 기반 표현은 이미지 영역과 이질적 데이터 소스를 연결하여 통합 분석으로 이어지는 길을 제공한다.
• 데이터 표준화와 벤더 간 시각화 패러다임은 상호운용성과 교육에 필수적이다.