[论文解读] A Survey on Domain Knowledge Powered Deep Learning for Medical Image Analysis

Xiaozheng Xie, Jianwei Niu+3 more|arXiv (Cornell University)|Apr 25, 2020

AI in cancer detection被引用 12

一句话总结

本综述回顾了如何将医学领域知识——如临床专长、诊断推理和解剖关注——整合到深度学习模型中，以提升在小规模医学影像数据集上的性能。通过模仿医生的决策过程、聚焦于临床相关的区域，或与医学知识对齐，这些方法在疾病诊断、分割和异常检测等任务中提升了准确性。

ABSTRACT

Although deep learning models like CNNs have achieved a great success in medical image analysis, small-sized medical datasets remain to be the major bottleneck in this area. To address this problem, researchers start looking for external information beyond the current available medical datasets. Traditional approaches generally leverage the information from natural images. More recent works utilize the domain knowledge from medical doctors, by letting networks either resemble how they are trained, mimic their diagnostic patterns, or focus on the features or areas they particular pay attention to. In this survey, we summarize the current progress on introducing medical domain knowledge in deep learning models for various tasks like disease diagnosis, lesion, organ and abnormality detection, lesion and organ segmentation. For each type of task, we systematically categorize different kinds of medical domain knowledge that have been utilized and the corresponding integrating methods. We end with a summary of challenges, open problems, and directions for future research.

研究动机与目标

• 解决小规模医学影像数据集限制深度学习性能的挑战。
• 系统性回顾医学专家领域知识如何提升模型的泛化能力和可解释性。
• 对用于医学图像分析的深度学习中使用的医学领域知识类型进行分类。
• 分析将神经网络与临床推理模式和解剖先验对齐的集成技术。
• 识别在知识感知医学人工智能中知识集成的开放挑战和未来研究方向。

提出的方法

• 将医学领域知识分类为类型，如诊断模式、放射科医生使用的注意力机制，以及解剖/生理先验。
• 调查将深度学习模型与专家行为对齐的方法，包括模仿学习和注意力蒸馏。
• 回顾通过损失函数、注意力模块或注意力引导训练整合知识的架构。
• 检查通过聚焦特定病灶区域等技术，使模型行为与放射科医生决策过程保持一致的方法。
• 分析通过注意力图、注意力约束或从专家模型中蒸馏知识的方式注入知识的方法。
• 在疾病诊断、病灶检测、器官分割和异常定位等任务中，对比不同方法的性能。

实验结果

研究问题

• RQ1 如何通过医学领域知识提升小规模医学影像数据集上深度学习的性能？
• RQ2 哪些类型的医学领域知识——如诊断推理或解剖关注——已被成功整合到深度学习模型中？
• RQ3 在医学图像分析中，将领域知识嵌入神经网络的主导技术有哪些？
• RQ4 与标准深度学习方法相比，知识集成模型在准确性和可解释性方面表现如何？
• RQ5 在医学人工智能系统中集成领域知识方面，存在哪些关键挑战和开放问题？

主要发现

• 整合如放射科医生注意力模式等领域知识可提升医学图像分析中模型的性能和可解释性。
• 模仿专家诊断推理或聚焦于临床相关区域的方法，在小数据集上相较于标准CNN表现出一致的性能提升。
• 基于注意力的知识集成，尤其是由放射科医生标注区域引导时，可显著提升病灶检测和分割的准确性。
• 知识蒸馏和注意力蒸馏技术能有效将专家知识转移至深度学习模型中。
• 尽管已取得进展，但在知识表示的标准化以及在多样化临床环境中的鲁棒性方面仍存在挑战。
• 未来工作应聚焦于可扩展、泛化性强且经临床验证的知识集成框架。