バレット食道における早期新生物の分類のための深層主成分符号化法と体積レーザー内視鏡検査

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Comput Med Imaging Graph.2020 Mar;80:101701. S0895-6111(20)30004-5. doi: 10.1016/j.compmedimag.2020.101701.Epub 2020-01-24.

バレット食道における早期新生物の分類のための深層主成分符号化法と体積レーザー内視鏡検査

Deep principal dimension encoding for the classification of early neoplasia in Barrett's Esophagus with volumetric laser endomicroscopy.

Joost van der Putten
Maarten Struyvenberg
Jeroen de Groof
Thom Scheeve
Wouter Curvers
Erik Schoon
Jacques J G H M Bergman
Peter H N de With
Fons van der Sommen

PMID: 32044547 DOI: 10.1016/j.compmedimag.2020.101701.

抄録

バレットがんは、早期に発見されれば治療可能な疾患である。しかし、現在のスクリーニングプロトコールでは、早期発見には効果的でないことが多い。ボリュームレーザー内視鏡検査（VLE）は、深さ3mmまでの微細構造の断面画像を取得することで、早期にBarrett食道（BE）の異形成を発見するための有望な新しい画像診断ツールです。しかし、VLEスキャンの解釈は、グレースケールのデータの大きさと繊細さの両方の問題から、医師にとっては困難である。そのため、VLEデータの解釈には、がん領域を正確に見つけることができるアルゴリズムが非常に価値のあるものとなっている。本研究では，VLEデータの主次元を符号化することにより，ディープラーニング戦略の有効性を最適に活用する完全自動多段階コンピュータ支援検出（CAD）アルゴリズムを提案する．さらに，符号化された次元を従来の機械学習技術と組み合わせることで，解釈可能性を維持しながら結果がさらに向上することを示す．さらに、我々は、組織病理学的に検証された新しいin-vivo VLEスナップショットのセット上で我々のアルゴリズムを訓練し、検証する。さらに、独立したテストセットをモデルの性能を評価するために使用する。最後に、以前の最先端のシステムと比較して、我々のアルゴリズムの性能を比較する。符号化された主次元を用いて、テストセットにおいて、曲線下面積（AUC）とFスコアがそれぞれ0.93と87.4%であった。これは、最先端システムの0.89および83.1%と比較して有意に改善されており、我々のアプローチの有効性を示している。

Barrett cancer is a treatable disease when detected at an early stage. However, current screening protocols are often not effective at finding the disease early. Volumetric Laser Endomicroscopy (VLE) is a promising new imaging tool for finding dysplasia in Barrett's esophagus (BE) at an early stage, by acquiring cross-sectional images of the microscopic structure of BE up to 3-mm deep. However, interpretation of VLE scans is difficult for medical doctors due to both the size and subtlety of the gray-scale data. Therefore, algorithms that can accurately find cancerous regions are very valuable for the interpretation of VLE data. In this study, we propose a fully-automatic multi-step Computer-Aided Detection (CAD) algorithm that optimally leverages the effectiveness of deep learning strategies by encoding the principal dimension in VLE data. Additionally, we show that combining the encoded dimensions with conventional machine learning techniques further improves results while maintaining interpretability. Furthermore, we train and validate our algorithm on a new histopathologically validated set of in-vivo VLE snapshots. Additionally, an independent test set is used to assess the performance of the model. Finally, we compare the performance of our algorithm against previous state-of-the-art systems. With the encoded principal dimension, we obtain an Area Under the Curve (AUC) and F score of 0.93 and 87.4% on the test set respectively. We show this is a significant improvement compared to the state-of-the-art of 0.89 and 83.1%, respectively, thereby demonstrating the effectiveness of our approach.