訓練データの汎用性への影響の特徴:肺結節悪性腫瘍のリスクを推定するディープラーニングの応用

科学分野:

• 医療イメージングにおける人工知能
• 病気の検出のための機械学習
• 放射線学と腫瘍学の研究

背景:

• 低用量CTスキャンにおける肺結節は,肺がんのスクリーニングのための正確な悪性腫瘍リスク評価を必要とします.
• ディープラーニングアルゴリズムは 診断の精度を向上させることを期待しています
• 研修データ量の影響を理解することは,AIの開発に不可欠です.

研究 の 目的:

• 肺結節悪性腫瘍のリスク評価のためのディープラーニングAIのトレーニングデータ量とパフォーマンスの関係を調査する.
• AIの性能が完全なデータセットで訓練されたモデルと臨床医の性能に劣らないようにするために必要な最低限のトレーニングデータを決定します.

主な方法:

• 全国肺部スクリーニング試験 (NLST) の16,077個の注釈されたノードルを用いた遡及研究.
• 階層化されたNLSTデータサブセット (1.25%から100%) に関するディープラーニングAIアルゴリズムの体系的なトレーニング.
• 性能比較のためのデンマーク肺がんスクリーニング試験 (DLCST) のデータを用いて外部検証.

主要な成果:

• 全NLSTデータセットで訓練されたとき,AIはDLCSTコホートで平均AUC0.92を達成しました.
• NLSTのトレーニングデータ (平均AUC 0. 92) の80%で,劣らぬ性能が維持された.
• 臨床医レベルでのパフォーマンス (平均AUC0. 82) は,サイズに匹敵するDLCSTサブセットでのトレーニングデータのうち20%のみで達成されました.

結論:

• ディープラーニングAIは,肺結節の悪性腫瘍リスクを評価する上で優れたパフォーマンスを示しています.
• 臨床レベルのパフォーマンスは,当初予想していたよりもはるかに少ないトレーニングデータで達成できます.
• AIのピーク性能は,利用可能なトレーニングデータセット全体を活用する前に達成されました.