Table of Contents
ディープラーニングモデルが医療イメージを分析する方法
特に、複雑なニューラルネットワーク(CNN)を介してディープラーニングは、医学的イメージが解釈される方法の根本的に変更されています。これらのモデルは、ピクセルデータから直接階層的な機能を学び、それらがリンパ腫を示すかもしれない微妙なテキストと形態学的変化を検出することを可能にします。 CNNは通常、エッジ、形状、パターンを抽出する複雑なレイヤーで構成されています。 寸法を低下させるプールレイヤー。 そのようなモデルを訓練するには、しばしば、大量のデータスキャナーをキャプチャする必要があります。
トランスファー学習は、標準技術となっています: 自然画像(例えば、 ImageNet)で事前に訓練されたモデルが、医療画像データセットで微調整されます。このアプローチは、ラベルされたデータ量を劇的に減らし、収束を加速します。リンパ腫イメージングでは、腫瘍が高代謝活性の領域として現れる全身PET/CTスキャンで動作するようにモデルが適応されます。特に、CNNsが抽出した放射線機能は、サブマトと区別するときに、特に攻撃的な機能が特徴的であるときに、CNNによって抽出された機能が特徴的です。
リンパ腫画像のデータ収集と注釈
ディープラーニングシステムの品質は、それが訓練されたデータに直接依存します。 リンパ腫検出のために、主な変異性は18F-FDG PET / CT、コントラスト強化CT、およびMRI(拡散重み量シーケンスを含む)です。 各変性は、異なる生物学的特性をキャプチャします:PETは、代謝活性を強調し、CTは、軟性相関のコントラストで分析的詳細、およびMRIの排泄物を提供します。 包括的なデータセットは、さまざまなスキャナーから、さまざまな病理学的特性を含み、確認されたステージで確認しなければなりません。
腫瘍境界(セグメントマスク)を解読し、疾患ラベル(例えば、ホドキンリンパ腫対拡散大B-セルリンパ腫)を割り当てる専門家の放射線学者や病理学者によってアノテーションが行われています。 インターオブザーバーの変動は、認識された課題であり、多くのプロジェクトでは、コンセンサス読み取りまたは自動品質管理を使用します。 ランダム回転、スケーリング、および強度シフトなどのデータ集計技術は、特定のモデルを最適化し、特定のモデルを最適化します。 がんは、特定のモデルを最適化し、特定のモデルを最適化します。
自動検出: スクリーニングプロセス
ディープラーニングモデルは訓練されると、疑わしい病変のための新しいスキャンをスクリーニングするために使用することができます。 検出パイプラインは、通常、プリプロセッシング(通常化、標準空間への登録)、初期候補生成(地域提案ネットワークまたはスライドウィンドウを使用して)、各候補の分類(リンパ腫またはベニグ)の3つのステップを含む。 このプロセスは、コンピュータ - エイズド検出(CAD)システムに類似していますが、より高い感度と低偽陽率で。
自動検出は、放射性物質が数百のスライスを調べなければならない全身のイメージングにおいて特に価値があります。このモデルは、ペットスキャンのhypermetabolic fociをフラグすることができ、その後、CT上の解剖学的ランドマークでそれらを相関することができます。研究は、野生および特異性リンパ腫の関与を検出するために90%以上の感度を報告しました。しかし、偽陽性は、生理学的摂取量(例えば、茶色の脂肪、炎症)または腹部の臨床的レベルの低下から生じる可能性があります。そのような年齢層の低下を事前に検討する。
区分:リンパ腫の地域を解離
分裂は、検出を超えてステップを行きます:それは正確に各病変の範囲を概説します。 これは、量子評価、応答評価(例えば、Deauvilleスコア、Lugano分類)、および放射線療法計画のために重要です。 ディープラーニングセグメンテーションモデル、多くの場合、U-Netまたはその変種に基づいて(例えば、注意U-Net、nnU-Net)、背景から別の腫瘍を分離するピクセル指向性マスクを生成します。
分節モデルを訓練するには、ピクセルレベルのアノテーションが必要です。これは、生成するのに時間がかかる時間です。 アクティブラーニング戦略により、モデルは最も不確実なケースのアノテーションを要求し、アノテーションの負担を軽減することができます。 訓練されたら、分節モデルは、リンパ腫の強力な予後マーカーである、総代謝腫瘍量(TMTV)を計算することができます。 自動化された分節は、マルチセンター研究で0.85〜0.90の周りにマウス類似度係数を達成し、相互に対比関係する合意をアプローチします。
サブタイプへの分類
異なるリンパ腫サブタイプは、異なる治療レジメンを必要とし、大まかな異なる予後を持っています。ディープラーニングモデルは、ホドキン対だけでなく、分類することができます。非ホドキンリンパ腫だけでなく、拡散などのより細かいサブタイプは、大きなB-セルリンパ腫、濾胞性リンパ腫、およびマントルセルリンパ腫を組み込む。分類タスクは、多くの場合、同じCNNバックボーンを検出するために使用される、追加の分類ヘッド。いくつかのモデルは、臨床データ(Egggg)を組み込む。 検査手順は、B-B-cellの症状、およびBgnを観察する。
1つのアプローチは、同時に検出、セグメンテーション、および分類を実行するマルチタスクネットワークを訓練することです。このモデルは、共有表現を学ぶためにモデルを強制し、各タスクのパフォーマンスを向上させることができます。別の有望な方向は、リンパ節ステーション間の空間的な関係をモデル化するために、グラフニューラルネットワークの使用であり、放射線学者が病気の広がりを評価する方法の模倣です。公開された研究では、PET/CTのリンパ腫サブタイプの深い学習ベースの分類は、曲線(AUC)値が上回る領域を達成しましたが、性能とサブタイプは変化します。
臨床実装チャレンジの克服
強力な技術性能にもかかわらず、定期的な臨床実践における深い学習ツールを展開するいくつかのハードルに直面しています。 [データ 異質]]は、主要な問題です。 コミュニティ病院のスキャナに適用されるときに、学術センターのデータで訓練されたモデルが頻繁に劣化します。 ドメインの適応とフェデレーションされた学習は、患者データを共有することなく、施設全体で一般化するモデルを構築するために探求されています。 インタープリトビリティ:3:]は、特定の予防接種が、なぜ、彼らは、特定の予防接種を必要とするかを把握します。
[]既存のワークフローとの統合も非トリバイアルです。 AI出力は、PACSシステムに組み込まれ、崩壊ではなく、読み取りプロセスを強化する方法でラジエーターに提示する必要があります。 アラート疲労と自動提案に対する信頼性は、実際のリスクです。 詳細な臨床試験は、技術的な精度だけでなく、診断のターンアラウンド時間、インターリーダー契約、患者の結果を追跡するだけでなく、そのようなAIを実証する必要不可欠です。 これらは、このようなAIの試験を継続して、このような試験を追跡するために使用されます。
さらなるチャレンジは[クラス不均衡:いくつかのリンパ腫サブタイプはまれで、十分なトレーニング例を収集するのは困難です。 いくつかのショット学習、合成データ生成(例えば、遺伝子的adversarialネットワークを使用して)、およびオーバーサンプリングが役立つような技術。 さらに、モデルは、治療プロトコルが進化するにつれて更新されなければならない。例えば、外観を変化させる新しい治療のために考慮する必要があります。 継続的監視および定期的なパフォーマンスを維持する必要があります。
パスフォワード: 新興トレンドと研究
今後、自動リンパ腫検出と分類を改善するために、いくつかの傾向が約束します。 [マルチモーダル学習]は、臨床、ゲノム、およびヒストパソリ情報とイメージングデータを組み合わせます。 例えば、PET/CTを液体バイオサイク結果(循環腫瘍DNA)と統合することで、検出と予後の両方を向上させることができます。 初期の作業では、そのような関節モデルが治療反応を予測する際に、そのような関節モデルが不断層のアプローチを阻害することが示唆されています。
説明可能なAIは、コンセプトに基づく説明や、臨床医の信頼と検証モデルの出力を支援する対立的な世代などの新しい手法で、アクティブリサーチ領域です。モデルがより透明になるにつれて、規制の受諾がより容易になります。 [[]]]自己指示学習]]は、大規模な非ラベル付き画像収集上のモデルを事前に訓練することによって、ラベルされたデータに依存する減少します。 これは、特に魅力的で、スクリーニングされた結果が、CNNが検出される場所ではありません。
もう一つのフロンティアは[の縦方向解析です。単一のスキャンを分析する代わりに、モデルは、治療応答を評価するか、以前の再燃を検出するために、異なる時間ポイントで取得された画像を比較することができます。一時的な体積ネットワークと再発アーキテクチャはこの目的のために適応されています。 最後に、ロボットバイオサイシステムとディープラーニングの統合は、自動病変ターゲティングを可能にし、診断経路を合理化することができます。
研究は、【]の画像品質の変化に対する強迫にも焦点を合わせています。 多くのディープラーニングモデルは、アウトオブディストリビューション入力(例えば、アーティファクト、異常な患者の解剖学を持つ画像)に脆弱です。 モンテカルロドロップアウトやディープアンサンブルなどの不確実な推定技術は、人間のレビューに対する低差分予測をフラグすることができます。 これは、臨床展開が重要な展開であることを確認するために不可欠です。
コンテンツ
ディープラーニングを用いたリンパ腫の自動検出と分類は、研究好奇心から臨床的に実行可能な技術に移行しました。 大量の注釈付きデータセットで訓練された、変化するニューラルネットワークは、疑わしい病変、セグメントの境界線、および経験のある放射性物質を誘導する精度で、サブタイプ間で区別することができます。 データの品質、モデルの解釈、ワークフローの統合に関する課題は、データ科学者、臨床医、および一貫性のある組織と、および多岐にわたる検査の達成のための効果的な効果が評価され、より詳細な検査結果が得られるようにします。
さらなる読書については、リンパ腫([]]])におけるイメージングに関するFDAの血液学的ガイドラインの米国協会、AI/MLベースの医療機器([FDA AI/MLページ]])、および[[放射線学]および[[]]]深層科学医学[[FLT]][FLT]]]]の最近のレビューを参照してください。