新しいコロナウイルス肺炎CT診断における人工知能の役割と課題
Mar 14, 2022
詳細については：ali.ma@wecistanche.com
ハイライト
この論文は、人工知能（AI）ソフトウェア開発プロセスをコンピューター断層撮影（CT）画像診断研究臨床試験と見なすことにより、臨床試験の方法論要件に基づいて科学性と規範性を新たに考察します。 この論文はまた、実際の臨床問題を支援し、患者に真の臨床的利益をもたらすAI診断ソフトウェアを促進する4つの方法を提起しています。
概要
2020年初頭、新しいコロナウイルス肺炎（COVID -19）中国で発生しました。 パンデミックとの闘いにおいて重要な役割を果たしてきた人工知能（AI）分野では、多くの医療関連製品が急速に登場しています。 この記事では、放射線およびパンデミック制御におけるAIの現在の研究と応用状況を要約し、AI技術の研究における一般的な問題を分析します。COVID -19診断。 これには主に、臨床研究の設計、研究の実施の難しさ、AIモデルの信頼性検証における課題に関する考えが含まれています。 上記の困難に対応して、AI診断研究の科学性と品質を最適化するための提案が提案されています。
キーワード：COVID -19パンデミック、人工知能、コンピューター断層撮影、臨床研究
エピデミック対策における多様な人工知能製品の重要な役割
2020年初頭、新型コロナウイルス 肺炎(コロナウイルス、COVID -19）病気の予防と管理の実施を大きな課題にしています。 たとえば、交通量の多い交通ハブで全員の体温をすばやく測定する方法。 大規模な可能性の中から潜在的な有効な薬を迅速に選別する方法。 大規模な集団で疑わしい症例をスクリーニングする方法。 診断された患者の治療中に医療専門家の不足と交差感染に対処する方法。 人工知能（Alは、近年最も人気のある分野の1つとして、新しいAI製品を適用することでいくつかの問題を解決し、病気の予防、制御、診断の効率を向上させます。
AIは、人々の活動の軌跡を分析することで、流行の進展傾向を監視およびシミュレートし、潜在的な拡散領域に早期警告を与えるのに役立ちます。 AIは、伝播経路を分析し、診断患者の密接な接触を特定し、検疫と治療を迅速に行うこともできます。 AI画像認識技術を搭載した赤外線サーマルイメージャーは、公共の場所で発熱を検出し、異常な体温の人を特定します[1]。 新薬の開発において、AIは、さらなる開発のために数百の薬から最も強力な抗ウイルス薬および抗炎症薬をスクリーニングするのに役立ちます[2]。 診断と治療では、Deep Neural Network（DNN）モデルを採用して、コンピューター断層撮影（CT）グラフィックデータ（「CTとAI」）を認識し、医師が迅速に診断できるようにしました。
COVIDの診断を支援する際に「CTplusAI」が直面する課題-19
放射線医学における人工知能の応用は、特別な注目を集めています。 DNNは、胸部デジタルX線撮影（DR）[3-5]での肺炎の診断、癌性肺結節[6]および結核[7]の検出、骨折の検出など、さまざまな医療スキャン技術で広く使用されています。 X線による骨年齢の予測[8-10]。乳房X線の検査と評価[11,12]; CT画像での肺結節[13,14]、肺炎[15]、肝腫瘤[16]、膵臓癌[17]および脊椎圧迫骨折[18]の検出と診断。 心臓の磁気共鳴画像法における心室の概要を示します[19]。 超音波検査検査であるAIモデルは、心臓画像の診断と定量分析を実行できます[20.21]。 超音波甲状腺結節の検出と良性および悪性の診断[22,23]（表1）。
新しいコロナウイルス肺炎の診断では、CT、DR、および超音波が、それぞれのプロセスとシナリオで、それぞれの特性に応じて、一般的に使用される画像検査技術です。 その中でも病変検出の初期段階ではCTが優先されます。 「COVID-19肺炎診断および治療プログラム（試用版5）」がリリースされたため、CT画像診断も新しいCOVID-19の臨床診断基準に含まれています[24]。 ただし、1人の患者を診断するには、100を超えるCT画像を手動で観察する必要があります。多くの臨床ニーズがあるため、医師は効率が低く、大きな作業負荷に苦しんでいます。 ソフトウェア対応のAIテクノロジーは、これらの臨床的なボトルネックを解決できます。 CT検査は、その高精度、統一された標準、および業界データとテクノロジーの深い蓄積により、現在の肺炎診断AIソフトウェアの好ましいイメージングソリューションになっています[27。 実際のアプリケーションでは、診断モデルは特定のアルゴリズムを介して肺炎画像を識別し、それが病気であるかどうかを予測できます[27-29]。 肺定量分析モデルは、病変の位置を検出し、病変の数を数え、病変の範囲を概説し、肺病変領域の感染率を計算し、フォローアップソフトウェアと協力して疾患の進行を管理および評価することができます。予後[28]。 ソフトウェアの助けを借りて、医師の負担が軽減され、診断と治療の速度と精度が向上しますが、Al支援の新しいコロナウイルス肺炎CT診断の研究では、次のようないくつかの一般的な問題を強調することが重要です。
研究デザイン
新しいCOVID-19肺炎CT診断では、「CT plus AI」診断モデル開発の最も初期の段階で、さまざまな診断および治療段階に適応するために、モデル設計を多様に検討する必要があります。 たとえば、早期スクリーニングモデルのトレーニングに使用されるコントロールグループは、抗ジストールで選択されたグループと区別する必要があります。1）早期スクリーニング問題の決定は、疑わしい症例を健康な集団から分離するために高感度を好むため、 AIモデルは、不健康な肺の画像に対する健康な肺のCT画像である必要があります。 不健康な肺の症例は、複数の疑わしい肺炎タイプで構成されており、診断の失敗率が低いモデルのパフォーマンスを保証します。 2）抗ジストールシナリオでは、新しいコロナウイルス肺炎を他の感染症によって引き起こされた肺炎と区別するために、高い特異性の能力が不可欠です。 より具体的には、実際の臨床状況を考えると、理想的なコントロールデザインでは、同様の臨床症状または発熱、咳、CT肺画像異常などの疫学的病歴があるが、核酸検査（または他の診断ゴールドスタンダード）で陰性および陽性の結果を持つ2つのグループを比較する必要があります。 。 このような設計は、新しいコロナウイルス肺炎のより特徴的な放射性機能を統合することを目的としていました。 さらに、モデルのパフォーマンスを評価するために選択された評価メトリックを慎重に検討する必要があります。 たとえば、「CT plus AI」診断モデルを評価する場合、精度比はモデルを完全に評価できる適切な指標ではありません。 テストデータのポジティブサンプルとネガティブサンプルの不均衡は、パフォーマンスの過大評価の問題につながります（たとえば、96のポジティブケースと4つのネガティブケースで構成されるテストセットは、モデルのみであっても、最大96％の高精度を提供するナイーブモデルを誘引する可能性がありますAI診断ソフトウェアは、特定の臨床問題に適用され、機能と効率を向上させます。 実施する前に、特定の臨床的問題について研究目的を明確にし、明確にする必要があります。 次に、科学的な方法で方法論の設計を行う必要があります。 完全な研究計画も策定する必要があります。 調査の対象、包括的-排他的ルール、およびエンドポイント評価のメトリックを十分に検討する必要があります。 科学的設計を先導することで、偏見のリスクを最小限に抑え、質の高い研究証拠を得ることができ、臨床応用のための信頼できるガイダンスを提供することができます。
研究の実施
人工知能DNNモデルのトレーニングプロセスは、純粋にデータ駆動型です。 トレーニングフェーズでは、正確にラベル付けされた多数の画像サンプルに依存します。 データ量が多いほど、モデルの識別パフォーマンスが向上します。 アメリカのテクノロジー大手グーグルが開発したAI医療機器としての糖尿病性網膜症診断システムは、臨床試験の第2段階に合格しました。 システムのトレーニングプロセスでは、10件の000症例の1億3000万枚の写真を使用します。これは、医療専門家のレベルに近いものです[30]。 対照的に、指定された医療ユニットは、流行のソフトウェアトレーニングと開発のために技術メーカーと協力して新しいコロナウイルスCT画像データを蓄積しましたが、総量は比較的少なく、分布は比較的分散しており、CT画像の専門家のリソースが不足しています初期段階でのラベリング。その結果、モデルトレーニングに使用できるデータセットは少なくなり、ラベリングの品質を保証するのは困難です。 トレーニングデータが不十分な場合、DNNモデルは、表現力の強い構造的特徴のために実際の診断に関係のないCT画像の情報を「記憶」し、過剰適合を引き起こし、将来のデータを判断する能力を低下させる可能性があります。 データ量が少ない状況で十分なトレーニング効果を得るには、より複雑な内部モデル構造とモデルトレーニングスキルを設計する必要があり、これも実装の難しさを増します。
COVID-19の新しい例外主義に関する考察
臨床経験に基づくと、新しいコロナウイルス肺炎の胸部CT画像は、「類似した画像であるが異なる疾患」の特徴を持っています。 人間の目で区別することは困難であり、これは抗拡張の困難さを増します。 トレーニングサンプルサイズが小さい場合、難易度はより顕著になります。 さらに、新しいCOVID -19の診断基準の1つとして、核酸キットの結果は高い特異性を示していますが、感度は低くなっています。 トレーニングサンプルをゴールドスタンダードとしてラベル付けするために使用される場合、実際のポジティブサンプルは誤ってネガティブとしてマークされる傾向があります。 誤ってラベル付けされたデータを使用してトレーニングすると、モデルのパフォーマンスが直接低下します。
AI診断の信頼性の検証
AI診断モデルの実装後の内部データテストだけで診断効果を評価することは信頼できません。 さまざまなCT機器モデル、地理的地域、実際の臨床環境、ウイルスの変動、およびその他の要因によって引き起こされたデータの下にある交絡因子は、モデルの診断結果に影響を与える可能性があります。 モデルには、限られた内部データテストでこれらの交絡因子を処理する機能がほとんどありません。 AI診断ソフトウェアが完全な検証なしで臨床使用される場合、人間の医師のような新しい症例を学び続けることによって診断と治療レベルを改善することはできないため、オフライントレーニングと最適化によってのみ繰り返すことができます。 人間の医師の誤診と比較して、コンピュータソフトウェアの制限によって引き起こされる潜在的な医原性リスクはより顕著になります。 「医療機器分類カタログ」（CFDA 2017 No.143）の新バージョンによると、医療機器としてのAI診断ソフトウェアは、正確性を完全に検証するために、体系的な監査と広範なシミュレーション、さらには将来の臨床試験を進める必要があります。臨床診断の信頼性。 国立食品医薬品管理研究所（NIFDC）の人工知能グループは、AI医療機器のセキュリティシステムを確立し、標準的なデータセット検証に基づいたテスト方法を規定しました[30]。 現在、新しいCOVID -19疾患エンティティの標準データベースがないため、現実の世界のほとんどの医用スキャン診断で既存のAIソフトウェアの高い再現性の精度を検証することは困難です。
「CTplusAI」診断モデルの品質と科学的標準化を改善する
中国では人工知能の医療への応用はまだ初期段階ですが、近年注目を集め、急速に発展しており、国家戦略の青写真にも含まれています[30]。 多くの人工知能製品は、医療分野で有望な見通しを示しています。 次の段階では、商業化のために、業界の焦点は科学的な設計研究にあり、実装と検証のプロセスを標準化します。 医療業界で人工知能を健全に開発し、新しい医療機器の仕様に従ってAl支援診断製品の管理を標準化します。 エピデミックの間に出現した多くのAI製品は、病気の診断と治療において医師に利便性をもたらしましたが、全体的な科学的厳密さと品質の信頼性には、さらに改善と完全性が必要です。
臨床問題におけるAI技術の研究デザインを改善する
現在、新しいCOVID -19 CT支援診断に関するほとんどの研究では、遡及的な症例対照法が使用されています。 利点の1つは、偏見のリスクがある一方で、限られた研究対象からさまざまな情報をすばやく取得できることです。 ケースコントロール研究のサンプルは、診断ケース全体から取得するか、ランダムに選択する必要がありますが、ソースが限られているため、サンプルがすべての患者を表すことはできません。 特別な対照サンプリングを使用して、バイアスを減らし、実際の状況に応じてエビデンスのレベルを高めることができます。たとえば、同じ医療機関から症例を選択し、2つ以上の対照グループを使用し、変数を照合します。 診断モデルのパフォーマンスの評価では、真陽性率と偽陽性率のチャート（受信者動作特性曲線（ROC曲線））を使用して、AIアルゴリズムの解釈を医師の評価、または曲線下面積（AUC）と比較できます。モデルのパフォーマンスの参照。 それでも、比較や指標だけに頼って臨床的メリットを十分に説明することは依然として困難であり、実際には、他の臨床的意思決定要因も総合評価のために考慮する必要があります。
ラベルの精度を向上させ、モデルの実装プロセス中にトレーニングサンプルの数と次元を拡大します
第一段階では、少数のCT画像サンプルによってトレーニングされたモデルはすでに良好な傾向を示しています。 時間の経過とともに、ケースが増えると、モデルトレーニングの基本的なサポートが向上します。 学習する画像が多いほど、COVID-19診断における「同じ画像、異なる症例」の難しさを克服する可能性が高くなります。 この状況に対応して、CT画像データに基づいて、患者の臨床信号、疫学、臨床検査、およびその他のデータを組み合わせて疾患を包括的に評価し、診断精度を向上させることにより、モデルは情報の領域を拡大することもできます。 サンプルのラベリング精度の向上は、ゴールドスタンダード戦略の最適化によって達成できます。 単一の偽陰性結果の可能性を補うために核酸検査の複数の間隔を適用するか、IgM/lgG抗体検出などの他の診断キットを参照して結果を相互検証します。
新しいコロナウイルス肺炎CT標準検査データベースを確立する
AIモデリングの実装と内部検証の後、標準のデータベーステストシステムによる外部の信頼性検証が必要になります。 眼底疾患と肺結節の確立された標準データベースシステムに関して、疾患実体は、未開発地域を含む全国のさまざまな医療機関から来ています。 データにはさまざまな仕様が含まれており、さまざまなモデルやパラメーターのデバイスと互換性があります。 テストデータのラベリングに参加している医師は、AI医学研究の経験があり、十分な訓練を受けています。 特別な研究チームは、高精度、安定性、および豊富な臨床経験を持つ医師によって形成されます。 標準のテストデータセットは、会社とマシンのトレースを消去し、データバイアスを厳密に制御して、閉じた環境での公正で客観的なパフォーマンス評価を保証します[30]。 要約すると、個々の機関だけに依存することによって、新しいCOVID-19CT標準データベースを確立することは困難です。 国は、流行の特別な時期に対応する支援を提供する必要があります。 たとえば、新しいCOVID -19特殊人工知能グループを迅速に設立して、全国のすべての関係者の協力とリソース共有を指導および調整し、特殊疾患検査データベースやその他の検証基準を共同で策定します。
人工知能医学研究のデータ管理を標準化する
2019年7月3日、医療機器評価センターは「深層学習支援意思決定医療機器ソフトウェアレビューの要点」（要点）を発表しました。 サードタイプの医療機器として登録されているAI医療製品の技術ガイダンスを提供し、製品発売前のポリシーのボトルネックを解消します。 ただし、倫理およびデータセキュリティに関する法的な制限はありません。 医学研究に関する人工知能は、倫理に準拠し、個々のデータのセキュリティとプライバシーを保護する必要があります。 患者のプライバシー保護に関する国または地域の法律や規制を策定でき、研究用の標準化されたデータ管理プラットフォームを確立できれば、研究プロジェクトを効果的にレビューして、設計および実装プロセスにおける潜在的なリスクを迅速に発見できます。 人間の健康を妨げたり破壊したりするリスクを回避するために、データセキュリティのガイダンスが実施されます。
参照：
1zc[インターネット]。 AIを使用して新しいコロナウイルスを検出して戦う方法[2020年3月20日引用]。
2.黄Q[インターネット]。 学者の李蘭娟のチームは発表しました：これらの2つの薬は新しいコロナウイルスを効果的に阻害することができます[2020年3月20日引用]。
3. Wang XS、Peng YF、Lu L、他。 ChestX-Ray8：病院規模の胸部X線データベースと一般的な胸部疾患の弱く監視された分類と位置特定に関するベンチマーク。 2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）、Honolulu、HI、2017、pp。3462-3471。
4. Li Z、Wang C、Han M、他。 限られた監督下での胸腔疾患の特定と位置特定。 arXiv e-prints、2017年。arXiv：1711.06373。
5. Singh R、Kalra MK、Nitiwarangkul C、他。 胸部X線撮影における深層学習：所見の検出と変化の存在。 PLoSOne。 2018; 13（10）：e0204155。 2018年10月4日公開。
6.ナムJG、パークS、ファンEJ、他。 胸部X線写真の悪性肺結節に対する深層学習ベースの自動検出アルゴリズムの開発と検証。 放射線科、2019年。
7. Lakhani P、Sundaram B.胸部X線撮影での深層学習：畳み込みニューラルネットワークを使用した肺結核の自動分類。 放射線科。 2017; 284（2）：574–582。
8.ゲイルW、オークデン-レイナーL、カルネイロG、他。 ディープニューラルネットワークを使用した放射線科医レベルのパフォーマンスによる股関節骨折の検出。 arXiv e-prints、2017年。arXiv：1711.06504。
9. Rajpurkar P、Irvin J、Bagul A、他。 MURA：筋骨格X線写真の異常検出のための大規模なデータセット。 arXiv e-prints、2017年。arXiv：1712.06957。
10.リドリーEL[インターネット]。 ディープラーニングは、骨年齢の評価の可能性を示しています[2017年11月15日引用]。
11. YeeKM[インターネット]。 AIアルゴリズムは、乳房スクリーニング検査で放射線科医と一致します[2017年12月13日引用]。
12. Lehman CD、Yala A、Schuster T、他。 ディープラーニングを使用したマンモグラフィ乳房密度評価：臨床実装。 放射線学、2019年。290（1）：p。 52-58。
13.リドリーEL。 深層学習アルゴリズムは、肺結節のリスクを層別化することができます[2017年11月26日引用]。
14. Ali I、Hart GR、Gunabushanam G、他。 深部強化学習による肺結節の検出。 フロントオンコル。 2018; 8：108。 2018年4月16日公開。doi：10.3389/fonc.2018.00108。
15. Walsh SLF、Calandriello L、Silva M、他。 高解像度コンピューター断層撮影で線維性肺疾患を分類するための深層学習：症例コホート研究。 ランセットレスピリットメッド。 2018; 6（11）：837–845。
16. Yasaka K、Akai H、Abe O、etal。 動的コントラスト強調CTでの肝腫瘤の分化のための畳み込みニューラルネットワークによる深層学習：予備研究。 放射線科。 2018; 286（3）：887–896。
17. Liu FZ、Xie LX、Xia YD、他。 PDACを検出するための関節形状の表現と分類。 arXiv e-prints、2018年。arXiv：1804.10684。
18. Bar A、Wolf L、Amitai OB、他。 CTでの圧迫骨折の検出。 arXiv e-prints、2017年。arXiv：1706.01671。
19. Lieman-Sifry J、Le M、Lau F、他。 FastVentricle：ENetによる心臓セグメンテーション。 arXiv e-prints、2017年。arXiv：1704.04296。
20. Madani A、Arnaout R、Mofrad M、他。 ディープラーニングを使用した心エコー図の高速で正確なビュー分類。 npj Digital Med 1、6（2018）。
21. Zhang J、Gajjala S、Agrawal P、他。 臨床診療における完全に自動化された心エコー検査の解釈。 循環、2018年。138（16）：p。 1623-1635。
22. Li XC、Zhang S、Zhang Q、他。 超音波画像に適用された深い畳み込み神経回路網モデルを使用した甲状腺癌の診断：遡及的、マルチコホート、診断研究。 ランセットオンコル。 2019; 20（2）：193–201。 doi：10.1016 / S 1470-2045（18）30762-9。
23. Li HL、Weng J、Shi YJ、他。 超音波画像で甲状腺乳頭がんを検出するための改良された深層学習アプローチ。 Sci Rep.2018; 8（1）：6600。 2018年4月26日公開。
24.国家保健委員会[インターネット]のオフィス。 新規コロナウイルス肺炎の診断と治療（試験版第5版）[2020年2月4日引用]。
25.アリババDAMOアカデミー[インターネット]。 アリダモアカデミーが開発した、20秒以内の平均認識率が96％の新しいコロナウイルス肺炎CTイメージングAI診断技術についてどう思いますか？ [2020-02-19]。
26.ユナイテッドイメージング。 「エピデミック」の突破口を征服する-uAIの新しいコロナウイルス肺炎インテリジェントアシスタント分析システムが正式に開始されました[2020年2月10日引用]
27. Gozes O、Frid-Adar M、Greenspan H、他。 コロナウイルス（COVID -19）パンデミックの迅速なAI開発サイクル：ディープラーニングCT画像分析を使用した自動検出と患者モニタリングの初期結果。 ArXiv abs / 2003.05037（2020）：n。 ページ。
28. Huang L、Han R、Ai T、etal。 COVID -19の連続定量的胸部CT評価：深層学習アプローチ。 放射線学：心臓胸部イメージング2020 2：2。
29. Li L、Qin LX、Xu ZG、他。 人工知能は、胸部CTで市中肺炎とCOVID-19を区別します。 放射線科。 2020;200905。
30. Jin YH、QiuMJ.中国人工知能医療ホワイトペーパー。 上海：上海交通大学人工知能研究所、2019年。（中国語）
