コンピュータ支援診断

コンピュータ支援検出（CADe）、またはコンピュータ支援診断（CADx ）とは、医師が医用画像を解釈する際に役立つシステムです。X線、MRI、内視鏡検査、超音波診断などの画像診断技術は、放射線科医やその他の医療専門家が短時間で包括的に分析・評価しなければならない膨大な情報を提供します。CADシステムは、デジタル画像や動画を処理して典型的な外観を抽出し、疾患の可能性のある箇所など目立つ部分を強調表示することで、専門家の判断を支援する情報を提供します。

CADは、全スライドイメージングと機械学習アルゴリズムの登場により、デジタル病理学において将来的に応用される可能性も秘めている。これまでのところ、その応用は免疫染色の定量化に限られているが、標準的なH&E染色についても研究が進められている。^{[ 1 ]}

CADは、人工知能とコンピュータビジョンの要素を放射線画像や病理画像処理と組み合わせた学際的な技術です。典型的な応用例としては、腫瘍の検出が挙げられます。例えば、一部の病院では、乳がんの診断のためのマンモグラフィー検査、大腸内視鏡検査におけるポリープの検出、肺がんの診断など、予防的な健康診断を支援するためにCADを使用しています。

コンピュータ支援検出（CADe）システムは通常、目立つ構造や断面をマーキングすることに限定されます。コンピュータ支援診断（CADx）システムは、目立つ構造を評価します。たとえば、マンモグラフィでは、CADは軟部組織内の微小石灰化クラスターや高密度構造を強調表示します。これにより、放射線科医は病理の状態について結論を出すことができます。別のアプリケーションとしてCADqがあり、腫瘍の大きさや造影剤の取り込みにおける腫瘍の挙動などを定量化します。コンピュータ支援簡易トリアージ（CAST）は、CADのもう1つのタイプで、検査結果を完全に自動で初期解釈し、意味のあるカテゴリ（たとえば、陰性および陽性）に分類します。CASTは、生命を脅かす重篤な状態の迅速な診断が求められる救急診断画像に特に適しています。

CADは40年以上臨床現場で使用されていますが、通常、医師やその他の専門家に取って代わるものではなく、むしろ補助的な役割を果たします。専門家（一般的には放射線科医）は、医療画像の最終的な解釈に責任を負います。^{[ 2 ]}しかし、一部のCADシステムの目標は、糖尿病網膜症、マンモグラフィーの構造的歪み^{[ 3 ] [ 4 ]}、胸部CTのすりガラス状結節^{[ 5 ] [ 6 ] 、CT大腸検査の非ポリープ状（「平坦な」）病変[ 7 ]}など、人間の専門家では検出できない患者の異常の初期兆候を検出することです。

1950年代後半、現代のコンピュータの黎明期に、さまざまな分野の研究者がコンピュータ支援医療診断（CAD）システムの構築の可能性を探り始めた。^{[ 8 ]}これらの初期のCADシステムは、フローチャート、統計的パターンマッチング、確率論、または知識ベースを使用して意思決定プロセスを駆動した。^{[ 9 ]}

1970年代初頭、医学分野では「エキスパートシステム」と呼ばれる初期のCADシステムが開発され、主に教育目的で使用されました。例としては、MYCINエキスパートシステム^{[ 10 ]} 、 Internist -Iエキスパートシステム^{[ 11 ]}、CADUCEUSエキスパートシステム^{[ 12 ]} などがあります。自動診断システムとしての診断ロボットは、知識ベースのサブシステムで医療診断のためのデータを収集することができ、腱で駆動する人型指、触覚知覚のための皮膚のようなセンサーなどのツールが考案されました。^{[ 13 ] [ 14 ]}

研究者たちは当初、コンピュータの能力について非現実的な楽観論を抱き、完全に自動化されたCAD/エキスパートシステムの構築を目指していた。しかし、リチャード・M・カープによる画期的な論文「組み合わせ問題間の還元可能性」 ^{[ 15 ]}の後、重要な計算問題のグループを解決するアルゴリズムの開発には、潜在的な機会だけでなく限界もあることが明らかになった。^{[ 9 ]} 1970年代初頭にカープが発見したさまざまなアルゴリズムの限界に関する新たな理解を受けて、研究者たちは医学におけるCADとエキスパートシステムの深刻な限界を認識し始め、^{[ 9 ]}高度なアプローチを使用して新しいタイプのCADシステムを開発するようになった。こうして、1980年代後半から1990年代初頭にかけて、より高度で柔軟なCADシステムを使用する目的でデータマイニングアプローチの使用に焦点が移った。1998年、マンモグラフィ用の最初の商用CADシステムであるImageCheckerシステムが米国食品医薬品局（FDA）によって承認された。その後数年間で、マンモグラフィー、乳房MRI、肺、結腸、心臓の医用画像解析のためのいくつかの商用CADシステムもFDAの承認を受けた。CADシステムは、医師の診断医療意思決定支援ツールとして使用されるようになった。^{[ 16 ]}

2013年2月、IBMは、Watsonソフ​​トウェアシステムの最初の商用アプリケーションが、WellPoint（現在のAnthem ）と提携して、メモリアル・スローン・ケタリングがんセンターでの肺がん治療における利用管理の意思決定に用いられると発表した。2013年、IBM Watsonの事業責任者であるManoj Saxena氏は、現場でWatsonを使用している看護師の90%がそのガイダンスに従っていると述べた。^{[ 17 ] [ 18 ]}

CADは基本的に、非常に複雑なパターン認識に基づいています。X線画像やその他の種類の画像がスキャンされ、疑わしい構造が特定されます。通常、アルゴリズムを最適化するには数千枚の画像が必要です。デジタル画像データはDICOM形式でCADサーバーにコピーされ、いくつかのステップを経て準備および分析されます。

1. 前処理

• アーティファクト（画像内のバグ）の低減
• 画像ノイズ低減
• 画像品質の均一化（調和）（コントラストの向上）により、例えば露出パラメータの違いなど、画像のさまざまな基本条件を明確にします。
• フィルタリング

2.セグメンテーション​

• 画像中の様々な構造（例：心臓、肺、胸郭、血管、可能性のある円形病変）の識別
• 解剖学的データベースとの照合
• 関心領域内のグレースケール値をサンプリングする^{[ 19 ]}

3. 構造/ROI（関心領域）分析 検出された各領域は、特別な特性について個別に分析されます。

• コンパクトさ
• 形状、サイズ、位置
• 近隣の構造物／ROIへの参照
• ROI内の平均グレースケール値分析
• ROI内の構造物の境界に対するグレースケール値の比率

4. 評価／分類 構造が解析された後、各ROIはTPの確率に基づいて個別に評価（スコアリング）されます。以下の手順は、分類アルゴリズムの例です。

• 最近傍ルール（例：k近傍法）^{[ 20 ]}
• 最小距離分類器
• カスケード分類器
• ナイーブベイズ分類器
• 人工ニューラルネットワーク^{[ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ]}
• 放射基底関数ネットワーク（RBF）
• サポートベクターマシン（SVM）^{[ 26 ] [ 27 ]}
• 主成分分析（PCA）

検出された構造が一定の閾値レベルに達すると、放射線科医向けに画像上で強調表示されます。CADシステムによっては、これらのマーキングは永続的に保存することも、一時的に保存することもできます。後者の利点は、放射線科医が承認したマーキングのみが保存される点です。誤った検出結果は保存すべきではありません。なぜなら、後日検査を行う際に問題が生じるからです。

コンピュータの黎明期以来、CADは多くの発展を遂げてきたが、今日でもCADシステムが直面する課題はいくつか存在する。^{[ 29 ]}

いくつかの課題は、入力データの収集、前処理、処理、システム評価など、CAD システムの手順におけるさまざまなアルゴリズムの制限に関連しています。アルゴリズムは一般的に、可能性の高い単一の診断を選択するように設計されているため、複数の同時発生疾患を持つ患者には最適とは言えない結果をもたらします。^{[ 30 ]}現在、CAD の入力データは主に電子カルテ(EHR)から取得されます。EHR の効果的な設計、実装、分析は、あらゆる CAD システムにおいて非常に重要です。^{[ 29 ]}

膨大な量のデータが利用可能であり、そのようなデータを分析する必要があるため、ビッグデータは今日のCADシステムが直面する最大の課題の1つでもあります。ますます膨大になる患者データは深刻な問題です。患者データは複雑な場合が多く、半構造化データまたは非構造化データである可能性があります。それらを妥当な時間内に保存、取得、分析するには、高度に発達したアプローチが必要です。^{[ 29 ]}

前処理段階では、入力データを正規化する必要があります。入力データの正規化には、ノイズ除去とフィルタリングが含まれます。

処理は、アプリケーションに応じていくつかのサブステップを含む場合があります。医用画像処理における基本的な3つのサブステップは、セグメンテーション、特徴抽出/選択、および分類です。これらのサブステップでは、入力データをより少ない計算時間で分析するための高度な技術が必要です。CADシステムのこれらの手順のための革新的な技術の開発に多くの努力が注がれてきましたが、個々のステップに対して単一の最良のアルゴリズムは出現していません。CADシステムのあらゆる側面のための革新的なアルゴリズムの構築に関する継続的な研究が不可欠です。^{[ 29 ]}

また、CADシステムには標準化された評価尺度が不足している。^{[ 29 ]}この事実は、 FDAなどの規制機関から商用利用の承認を得ることを困難にしている可能性がある。さらに、CADシステムの多くの肯定的な発展が証明されている一方で、臨床診療におけるアルゴリズムの妥当性を検証する研究は確認されていない。^{[ 31 ]}

その他の課題は、医療従事者が臨床現場で新しいCADシステムを導入する際の問題に関連しています。否定的な研究結果がCADの使用を阻害する可能性もあります。さらに、医療従事者のCAD使用に関するトレーニング不足が、システム結果の誤った解釈につながる場合もあります。^{[ a ]}

CADは、乳がん、肺がん、結腸がん、前立腺がん、骨転移、冠動脈疾患、先天性心疾患、脳の病理学的検出、骨折検出、アルツハイマー病、糖尿病網膜症の診断に使用されます。

糖尿病網膜症

糖尿病網膜症は、主に眼底画像によって診断される網膜の疾患です。先進国の糖尿病患者は一般的に、この疾患の定期的なスクリーニングを受けています。画像診断は、網膜血管の異常の初期兆候を認識するために使用されます。これらの画像の手動分析は時間がかかり、信頼性に欠ける場合があります。^{[ 79 ] [ 80 ]} CADは、自動検出方法の精度、感度、および特異性を向上させるために使用されています。一部のCADシステムを使用して人間の評価者を置き換えることは、安全で費用対効果が高い場合があります。^{[ 80 ]}

画像前処理、特徴抽出および分類は、これらのCADアルゴリズムの2つの主要な段階である。^{[ 81 ]}

前処理方法

画像正規化は、画像全体にわたる変動を最小限に抑えるものです。眼の周辺部と中心黄斑部の間の領域の強度変動は、血管セグメンテーションの不正確さを引き起こすことが報告されています。^{[ 82 ]} 2014年のレビューに基づくと、この技術は最も頻繁に使用され、最近（2011年以降）発表された40の一次研究のうち11に登場しました。^{[ 81 ]}

ヒストグラム均等化は、画像内のコントラストを高めるのに役立ちます。^{[ 84 ]}この技術は、局所的なコントラストを高めるために使用されます。処理の最後に、入力画像で暗かった領域が明るくなり、その領域に存在する特徴間のコントラストが大幅に向上します。一方、入力画像の明るい領域は明るいままか、画像内の他の領域と均等になるように明るさが低下します。血管のセグメンテーションに加えて、この前処理技術を使用することで、糖尿病網膜症に関連する他の特徴をさらに分離できます。微小動脈瘤と出血は赤い病変ですが、滲出物は黄色の斑点です。これら 2 つのグループ間のコントラストを高めることで、画像上の病変の視覚化が向上します。この技術により、2014 年のレビューでは、最近 (2011 年以降) 発表された 14 件中 10 件が発見されました。^{[ 81 ]}

緑色チャネルフィルタリングは、血管ではなく病変を区別するのに役立つもう 1 つの技術です。この方法は、糖尿病網膜症に関連する病変間の最大のコントラストを提供するため重要です。^{[ 85 ]}微小動脈瘤と出血は赤い病変ですが、緑色チャネルフィルタリングを適用すると暗く見えます。対照的に、通常の画像では黄色に見える滲出物は、緑色フィルタリング後に明るい白いスポットに変わります。この技術は、2014 年のレビューによると、過去 3 年間に発表された 40 の論文のうち 27 に登場しており、最もよく使用されています。^{[ 81 ]}さらに、緑色チャネルフィルタリングは、ダブルウィンドウシステムと組み合わせて、視神経乳頭の中心を検出するために使用できます。

不均一照明補正は、眼底画像の不均一照明を調整する技術です。不均一照明は、画像の統計的特性の変化により、糖尿病網膜症の自動検出における潜在的なエラーとなる可能性があります。^{[ 81 ]}これらの変化は、特徴抽出などの後続の処理に影響を与える可能性があり、人間には観察できません。不均一照明 (f') の補正は、既知の元のピクセル強度 (f)、局所 (λ) および目的のピクセル (μ) の平均強度を使用してピクセル強度を変更することによって実現できます (以下の式を参照)。^{[ 86 ]}次に、均一照明を実現するために Walter-Klein 変換が適用されます。^{[ 86 ]}この技術は、2014 年のレビューで最も使用されていない前処理方法です。

${\displaystyle f'=f+\mu -\lambda }$

形態学的演算は、2014年のレビューで2番目に使用頻度の低い前処理方法です。^{[ 81 ]}この方法の主な目的は、コントラストを強調すること、特に背景と比較して暗い領域を強調することです。

特徴抽出と分類

眼底画像の前処理後、画像はさまざまな計算手法を用いてさらに解析されます。しかし、現在の文献では、血管セグメンテーション解析において、いくつかの手法が他の手法よりも頻繁に使用されていることが示されています。これらの手法には、SVM、マルチスケール、血管追跡、領域成長法、およびモデルベース法などがあります。

サポートベクターマシンは、血管セグメンテーションにおいて最も頻繁に使用される分類器であり、最大で90%のケースで使用されています。SVMは、パターン認識技術のより広いカテゴリに属する​​教師あり学習モデルです。このアルゴリズムは、データ内の異なるサンプル間の最大のギャップを作成することによって機能します。目標は、分類における潜在的なエラーを最小限に抑えるこれらのコンポーネント間の最大のギャップを作成することです。^{[ 87 ]}血管情報を眼の画像の残りの部分から正常に分離するために、SVMアルゴリズムは、教師あり環境を通じて血管ピクセルを画像の残りの部分から分離するサポートベクターを作成します。新しい画像から血管を検出するには、サポートベクターを使用して同様の方法を実行できます。グリーンチャネルフィルタリングなどの他の前処理技術と組み合わせることで、血管異常の検出精度が大幅に向上します。^{[ 81 ]} SVMのいくつかの有益な特性には、次のものがあります。 ^{[ 87 ]}

• 柔軟性 – 機能面で非常に柔軟性が高い
• シンプルさ – 特に大規模なデータセットの場合、シンプルさが際立つ（データ間の分離を作成するために必要なのはサポートベクターのみ）。

マルチスケールアプローチは、血管セグメンテーションにおけるマルチ解像度アプローチです。低解像度では、まず大径の血管を抽出できます。解像度を上げると、大血管から分岐したより小さな血管を容易に識別できます。したがって、この手法を使用する利点の1つは、解析速度の向上です。^{[ 79 ]}さらに、このアプローチは3D画像にも使用できます。表面表現は、血管の曲率に垂直な表面であり、血管表面の異常を検出できます。

血管追跡とは、アルゴリズムが血管の「中心線」を検出する能力のことです。これらの中心線は、血管の曲率の最大ピークです。血管の中心は、ガウスフィルタによって提供される方向情報を使用して見つけることができます。中心線の概念を利用する同様のアプローチには、スケルトンベースと微分幾何学ベースのものがあります。^{[ 79 ]}

領域拡張法は、類似した近傍ピクセルを検出する方法です。この方法を開始するには、シードポイントが必要です。この手法が機能するには、類似性と空間的近接性の 2 つの要素が必要です。シードピクセルに類似した強度を持つ近傍ピクセルは、同じタイプである可能性が高く、拡張領域に追加されます。この手法の 1 つの欠点は、シードポイントを手動で選択する必要があるため、アルゴリズムにバイアスと不整合が生じることです。^{[ 79 ]}この手法は、視神経乳頭の識別にも使用されています。

モデルベースのアプローチでは、表現を用いて画像から血管を抽出します。モデルベースのアプローチには、変形可能、パラメトリック、テンプレートマッチングの 3 つの大まかなカテゴリが知られています。^{[ 79 ]}変形可能な方法では、画像上のオブジェクトの輪郭に合うように変形されるオブジェクトを使用します。パラメトリックでは、血管の管状、円筒状、または楕円体表現などの幾何学的パラメータを使用します。古典的な蛇の輪郭と血管のトポロジ情報を組み合わせることも、モデルベースのアプローチとして使用できます。^{[ 88 ]}最後に、テンプレートマッチングは、隠れマルコフモード 1 を使用した確率的変形プロセスによって適合されたテンプレートの使用です。

医療診断作業の自動化（例えば、赤血球の定量化）には、歴史的な前例がある。^{[ 89 ]} 2010年代の深層学習革命は、すでに放射線科医や皮膚科医よりも視覚診断の多くの分野で正確なAIを生み出しており、この差は拡大すると予想されている。

多くの医師を含む一部の専門家は、AIが医療分野に及ぼす影響を軽視している。

対照的に、多くの経済学者や人工知能の専門家は、放射線医学などの分野は大きな混乱に見舞われ、放射線科医の失業や賃金への下方圧力が生じると考えています。病院は全体的に放射線科医の必要数が減り、残っている放射線科医の多くは大幅な再訓練が必要になるでしょう。ディープラーニングのゴッドファーザーであるジェフリー・ヒントンは、今後5年から10年の間に予想される進歩を考慮すると、病院は放射線科医の訓練を直ちに中止すべきだと主張しています。視覚診断に関する時間と費用のかかる訓練はすぐにほとんど時代遅れになり、従来の放射線科医が過剰になるからです。^{[ 90 ] [ 91 ]}

JAMAの論説では、病理医と放射線科医は「情報スペシャリスト」という単一の役割に統合されるべきであり、「コンピューターに取って代わられることを避けるためには、放射線科医はコンピューターに取って代わられることを許容しなければならない」と述べている。情報スペシャリストは「ベイズ論理、統計学、データサイエンス」、ゲノミクス、バイオメトリクスの一部について訓練を受けることになり、現在の負担の大きい放射線医学の訓練と比較して、手動による視覚的パターン認識は大幅に軽視されることになる。^{[ 92 ]}

• 臨床試験で使用されるコンピュータシステム
• マイシン
• ロボット手術

• 血管摘出のためのデジタル網膜画像（DRIVE ）
• ST網膜構造解析（ STARE）
• 高解像度眼底（HRF）画像データベース