ディープラーニングとCT画像を用いた肺線維症のコンピュータ支援診断

Computer-Aided Diagnosis of Pulmonary Fibrosis Using Deep Learning and CT Images.

• Andreas Christe
• Alan A Peters
• Dionysios Drakopoulos
• Johannes T Heverhagen
• Thomas Geiser
• Thomai Stathopoulou
• Stergios Christodoulidis
• Marios Anthimopoulos
• Stavroula G Mougiakakou
• Lukas Ebner

抄録

目的:

本研究の目的は、コンピュータ支援診断（CAD）システム（INTACTシステム）を用いて、高解像度コンピュータ断層撮影画像を4つの放射線診断カテゴリに自動分類する性能を評価し、同じタスクに対する放射線技師の性能と比較することである。

OBJECTIVES: The objective of this study is to assess the performance of a computer-aided diagnosis (CAD) system (INTACT system) for the automatic classification of high-resolution computed tomography images into 4 radiological diagnostic categories and to compare this with the performance of radiologists on the same task.

材料と方法:

比較のために、合計 105 例の肺線維症を検討した（非特異的間質性肺炎 54 例、通常の間質性肺炎 51 例）。すべての診断は、間質性肺疾患委員会のコンセンサス診断（放射線学的または組織学的に証明された症例）であり、当院のデータベースからレトロスペクティブに選択した。2 人のサブスペシャリティの胸部放射線科医が、Fleischner Society の勧告に従って、コンセンサスによる根拠のある真実の放射線診断を行った。INTACTシステムと経験年数の異なる他の放射線科医2名（読者1、2名）との比較分析を行った。INTACTシステムは、まず肺の解剖学的構造がセグメント化され、次に様々なタイプの病理学的肺組織が識別されて特徴付けられ、この情報が放射線学的診断を推奨するランダムフォレスト分類器に供給されるシーケンシャルなパイプラインで構成されています。

MATERIALS AND METHODS: For the comparison, a total of 105 cases of pulmonary fibrosis were studied (54 cases of nonspecific interstitial pneumonia and 51 cases of usual interstitial pneumonia). All diagnoses were interstitial lung disease board consensus diagnoses (radiologically or histologically proven cases) and were retrospectively selected from our database. Two subspecialized chest radiologists made a consensual ground truth radiological diagnosis, according to the Fleischner Society recommendations. A comparison analysis was performed between the INTACT system and 2 other radiologists with different years of experience (readers 1 and 2). The INTACT system consists of a sequential pipeline in which first the anatomical structures of the lung are segmented, then the various types of pathological lung tissue are identified and characterized, and this information is then fed to a random forest classifier able to recommend a radiological diagnosis.

結果:

リーダー1、リーダー2、およびINTACTは、肺線維症を元の4つのカテゴリに分類するために同様の精度を達成した。それぞれ0.6、0.54、0.56、P＞0.45であった。INTACTシステムのFスコア（精度とリコールの調和平均）は0.56を達成したが、2人のリーダーは平均で0.57を達成した（P = 0.991）。プール分類（生検の必要のあるグループとないグループの2つのグループ）では、読影者1、読影者2、CADはそれぞれ0.81、0.70、0.81の類似した精度を示した。FスコアはCADシステムと放射線科医でも同様であった。CADシステムと平均的な読影者のFスコアは0.80と0.79であった（P = 0.898）。

RESULTS: Reader 1, reader 2, and INTACT achieved similar accuracy for classifying pulmonary fibrosis into the original 4 categories: 0.6, 0.54, and 0.56, respectively, with P > 0.45. The INTACT system achieved an F-score (harmonic mean for precision and recall) of 0.56, whereas the 2 readers, on average, achieved 0.57 (P = 0.991). For the pooled classification (2 groups, with and without the need for biopsy), reader 1, reader 2, and CAD had similar accuracies of 0.81, 0.70, and 0.81, respectively. The F-score was again similar for the CAD system and the radiologists. The CAD system and the average reader reached F-scores of 0.80 and 0.79 (P = 0.898).

結論:

機械学習に基づいたコンピュータ支援検出アルゴリズムは、人間の読者と同様の精度で特発性肺線維症を分類できることを発見しました。

CONCLUSIONS: We found that a computer-aided detection algorithm based on machine learning was able to classify idiopathic pulmonary fibrosis with similar accuracy to a human reader.