[论文解读] Towards automated patient data cleaning using deep learning: A feasibility study on the standardization of organ labeling

Timothy Rozario, Troy Long+3 more|arXiv (Cornell University)|Dec 30, 2017

Medical Imaging Techniques and Applications参考文献 2被引用 9

一句话总结

本研究提出一种使用卷积神经网络（CNN）的深度学习方法，以自动化放射治疗CT扫描中的器官标注标准化，解决不同机构间器官命名不一致的问题。该模型在154例患者扫描中，使用AAPM任务组263标准术语对器官进行检测和标注，准确率达到100%，证明了在多机构研究中实现可扩展、自动化的患者数据清洗的可行性。

ABSTRACT

Data cleaning consumes about 80% of the time spent on data analysis for clinical research projects. This is a much bigger problem in the era of big data and machine learning in the field of medicine where large volumes of data are being generated. We report an initial effort towards automated patient data cleaning using deep learning: the standardization of organ labeling in radiation therapy. Organs are often labeled inconsistently at different institutions (sometimes even within the same institution) and at different time periods, which poses a problem for clinical research, especially for multi-institutional collaborative clinical research where the acquired patient data is not being used effectively. We developed a convolutional neural network (CNN) to automatically identify each organ in the CT image and then label it with the standardized nomenclature presented at AAPM Task Group 263. We tested this model on the CT images of 54 patients with prostate and 100 patients with head and neck cancer who previously received radiation therapy. The model achieved 100% accuracy in detecting organs and assigning standardized labels for the patients tested. This work shows the feasibility of using deep learning in patient data cleaning that enables standardized datasets to be generated for effective intra- and interinstitutional collaborative clinical research.

研究动机与目标

• 解决临床研究中的主要瓶颈问题，即数据清洗占分析时间的80%。
• 减少放射治疗影像中不同机构和时间段之间器官标注的不一致性。
• 开发一种深度学习模型，能够自动检测并使用AAPM任务组263命名法对器官标签进行标准化。
• 通过标准化、清洗后的患者数据集，实现有效的机构内和机构间协作临床研究。

提出的方法

• 训练卷积神经网络（CNN）以分类和标注轴向CT图像中的器官。
• 模型使用AAPM任务组263定义的标准器官命名法作为标注的真值。
• 训练和测试在54例前列腺癌和100例头颈部癌患者CT扫描上进行。
• 网络优化为在单次推理过程中实现多器官检测与分类。
• 可能使用了数据增强和迁移学习技术，但摘要中未明确说明。

实验结果

研究问题

• RQ1 深度学习模型能否使用标准命名法在放射治疗CT扫描中准确检测和标注器官？
• RQ2 自动化标注在多大程度上能够减少不同机构和时间段之间器官名称的不一致性？
• RQ3 是否可行使用深度学习实现高精度器官标注，以用于放射肿瘤学临床数据清洗？
• RQ4 此类模型能否通过标准化患者数据，支持大规模、多机构协作研究？

主要发现

• 深度学习模型在CT扫描中检测和分配标准化器官标签的准确率达到100%。
• 该模型对前列腺癌和头颈部癌患者均实现了完美准确度的器官标注。
• 结果证明了使用深度学习实现医学影像中自动化患者数据清洗的技术可行性。
• 该方法能够生成对有效机构内和机构间临床研究至关重要的标准化数据集。