[论文解读] Developing and deploying deep learning models in brain MRI: a review

Kunal Aggarwal, Marina Manso Jimeno+3 more|arXiv (Cornell University)|Jan 3, 2023

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

本综述整合了在脑部MRI中开发和部署深度学习（DL）模型的最佳实践，强调通过可解释性、数据质量以及遵循监管指南来实现临床转化。本文提供了一份与FDA良好机器学习实践（GMLP）对齐的检查清单，以弥合研究模型与实际临床部署之间的差距。

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has benefited from deep learning (DL) to alleviate the burden on radiologists and MR technologists, and improve throughput. The easy accessibility of DL tools have resulted in the rapid increase of DL models and subsequent peer-reviewed publications. However, the rate of deployment in clinical settings is low. Therefore, this review attempts to bring together the ideas from data collection to deployment into the clinic building on the guidelines and principles that accreditation agencies have espoused. We introduce the need for and the role of DL to deliver accessible MRI. This is followed by a brief review of DL examples in the context of neuropathologies. Based on these studies and others, we collate the prerequisites to develop and deploy DL models for brain MRI. We then delve into the guiding principles to practice good machine learning practices in the context of neuroimaging with a focus on explainability. A checklist based on the FDA's good machine learning practices is provided as a summary of these guidelines. Finally, we review the current challenges and future opportunities in DL for brain MRI.

研究动机与目标

• 解决研究阶段的深度学习模型与脑部MRI临床部署之间日益扩大的差距。
• 识别并整合神经影像学中开发稳健、可泛化DL模型的关键前提条件。
• 强调可解释性和透明度在DL模型临床采纳中的重要性。
• 基于FDA良好机器学习实践，为神经影像学应用提供一份实用且可操作的检查清单。
• 概述脑部MRI中DL临床转化的当前挑战与未来机遇。

提出的方法

• 系统性回顾脑部MRI中深度学习在各种神经病理学应用的同行评审文献。
• 整合认证机构和监管机构（如FDA）的指南，以指导模型开发的最佳实践。
• 基于FDA良好机器学习实践（GMLP）开发一份针对神经影像学量身定制的结构化检查清单。
• 强调数据整理、模型可解释性及验证策略，以确保临床可靠性。
• 在模型生命周期管理中融入可重复性、公平性和鲁棒性原则。
• 使用已发表研究中的示例，为模型开发和部署的各个阶段提供上下文说明。

实验结果

研究问题

• RQ1 在脑部MRI中开发临床可行的深度学习模型的关键前提条件是什么？
• RQ2 如何系统性地将可解释性和可解释性整合到神经影像学的深度学习流程中？
• RQ3 尽管研究产出丰富，为何深度学习模型在脑部MRI中的临床部署仍面临重大障碍？
• RQ4 监管和认证标准如何在医学影像的深度学习中实际应用？
• RQ5 在不同临床环境中确保模型可泛化性和鲁棒性的最有效策略是什么？

主要发现

• 尽管研究论文数量迅速增长，脑部MRI中深度学习模型的临床部署率仍然较低。
• 综述识别出数据质量、模型可解释性以及监管合规性是临床转化中的关键瓶颈。
• 提出了一份基于FDA良好机器学习实践的检查清单，以标准化神经影像学中的模型开发与评估。
• 注意力图和显著性方法等可解释性技术对于建立临床医生信任及促进监管审批至关重要。
• 在多样化数据集和扫描仪协议上进行稳健验证，是确保模型可泛化性并减少偏倚的必要条件。
• 未来机遇包括标准化数据共享、联邦学习，以及将DL模型整合到PACS和临床工作流程中。