[論文レビュー] What evidence does deep learning model use to classify Skin Lesions?

Xiaoxiao Li, Junyan Wu+2 more|arXiv (Cornell University)|Nov 2, 2018

Cutaneous Melanoma Detection and Management参考文献 19被引用数 8

ひとこと要約

本論文は、パッチ単位の損傷を用いた予測差の分析により、皮膚腫瘍分類における深層学習モデルの解釈手法を提案している。この手法により、色素ネットワーク、青白色膜、血管パターンといった臨床的に関連するバイオマーカーを同定した。本手法により、モデルが皮膚科的基準に整合した特徴に依存していることが明らかになり、メラノーマ検出における信頼性と臨床的妥当性が向上した。

ABSTRACT

Melanoma is a type of skin cancer with the most rapidly increasing incidence. Early detection of melanoma using dermoscopy images significantly increases patients' survival rate. However, accurately classifying skin lesions by eye, especially in the early stage of melanoma, is extremely challenging for the dermatologists. Hence, the discovery of reliable biomarkers will be meaningful for melanoma diagnosis. Recent years, the value of deep learning empowered computer-assisted diagnose has been shown in biomedical imaging based decision making. However, much research focuses on improving disease detection accuracy but not exploring the evidence of pathology. In this paper, we propose a method to interpret the deep learning classification findings. Firstly, we propose an accurate neural network architecture to classify skin lesions. Secondly, we utilize a prediction difference analysis method that examines each patch on the image through patch-wised corrupting to detect the biomarkers. Lastly, we validate that our biomarker findings are corresponding to the patterns in the literature. The findings can be significant and useful to guide clinical diagnosis.

研究の動機と目的

• 皮膚科的画像からの皮膚腫瘍分類における深層学習モデルが用いる証拠を解釈すること。
• 臨床的皮膚科基準と整合する形で、分類意思決定に寄与する顕著な特徴（バイオマーカー）を同定すること。
• 専門皮膚科医の評価と照合することで、モデルの解釈を臨床的妥当性の観点から検証すること。
• 再訓練を必要としない解釈手法を開発し、臨床応用におけるAIの信頼性と透明性を高めること。

提案手法

• ISIC 2018皮膚腫瘍データセットを用いて、微調整されたResNet50およびVGGアーキテクチャに基づく深層学習分類器を、多クラス分類のためにトレーニングした。
• 予測差分析を実施し、サイズが5、10、15、20の異なるパッチを体系的に損傷させ、モデルの信頼度の変化を測定した。
• ガウス分布パラメータを用いた条件付きサンプリングにより損傷パッチを生成し、複数試行にわたる予測シフトに基づいて各画素の証拠の重み（WE）を計算した。
• 特徴の捉え方と解釈可能性の両立を考慮し、15のウィンドウサイズを最適と判断し、赤（正の証拠）および青（負の証拠）の色分けで結果を可視化した。
• 再訓練を必要とせず、制御された入力摂動下での活性化シフトに依存することで、キーフィーチャーの局在化が可能となった。
• 解釈結果は、2名の独立した皮膚科医によって検証され、強調された特徴が既存の臨床的バイオマーカーと一致していることが確認された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、皮膚腫瘍を分類するためにどの画像特徴に依存しているか？
• RQ2 モデルが同定した特徴は、既知の臨床的皮膚科バイオマーカーと一致するか？
• RQ3 パッチ単位の損傷に基づく手法は、皮膚腫瘍分類における深層学習予測の解釈に有効に機能するか？
• RQ4 異なる腫瘍タイプにおいて、モデルの注目がどのように異なるか、またそれは専門家の診断基準と整合しているか？

主な発見

• メラノーマ（MEL）の分類において、モデルは暗く濃い、非対称な構造を主要な証拠として特定した。これは、青白色膜や色素ネットワークの欠如といった臨床的所見と一致した。
• 母斑（NV）の分類では、色素ネットワークと球状構造が強調された。これらは臨床的に認識された診断的特徴である。
• 基底細胞癌（BCC）は、小さな集団化した青灰色の球状構造に関連づけられ、皮膚科的観察と一致した。
• 光線性ケラトーシス（AKIEC）は、輪状のグランウラー構造および白色ハローを伴う毛包開口部に関連づけられ、専門家によって診断的指標として確認された。
• 皮膚fibroma（DF）では、繊細な周辺部色素ネットワークが強調された。これは臨床的記述と一致した。
• 血管性（VASC）病変では、明確に輪郭が取り囲まれた楕円形構造（血管洞様構造）が認識され、周囲の皮膚特徴への依存は最小限に抑えられた。