Generalisability of deep learning models in low-resource imaging settings: A fetal ultrasound study in 5 African countries

要約

ほとんどの人工知能 (AI) 研究は、画像データ、IT インフラストラクチャ、臨床専門知識が豊富な高所得国に集中しています。
ただし、医用画像が必要なリソースが限られている環境では、進歩が遅れています。
たとえば、サハラ以南のアフリカでは、出生前スクリーニングへのアクセスが限られているため、周産期死亡率が非常に高くなっています。
これらの国では、AI モデルを実装して、臨床医が胎児の異常を診断するために胎児の超音波面を取得できるようにすることができます。
これまでのところ、標準的な胎児の平面を識別するためにディープラーニングモデルが提案されていますが、ハイエンドの超音波機器やデータへのアクセスが制限されているセンターで一般化できるという証拠はありません。
この作業では、高リソースの臨床センターでトレーニングされ、新しい低リソース センターに転送された胎児平面分類モデルのドメイン シフト効果を軽減するためのさまざまな戦略を調査します。
そのために、スペインの 1,792 人の患者で訓練された分類器は、最初にデンマークの新しいセンターで 1,008 人の患者がいる最適な条件で評価され、その後、アフリカの 5 つのセンター (エジプト、アルジェリア、ウガンダ、ガーナ、マラウイ) で同じパフォーマンスに到達するように最適化されます。
) それぞれ 25 人の患者。
この結果は、転移学習アプローチが、小規模なアフリカのサンプルを先進国の既存の大規模データベースと統合するためのソリューションになり得ることを示しています。
特に、モデルを再調整および最適化して、リコールを $0.92 \pm 0.04$ に増やし、同時にセンター全体で高い精度を維持することにより、アフリカの集団でのパフォーマンスを向上させることができます。
このフレームワークは、困難で異質な条件で取得された限られたデータを使用して、臨床センター全体で一般化できる新しい AI モデルを構築する可能性を示しており、リソースの少ない国で AI を使いやすくするための新しいソリューションを開発するためのさらなる研究が求められています。

要約(オリジナル)

Most artificial intelligence (AI) research have concentrated in high-income countries, where imaging data, IT infrastructures and clinical expertise are plentiful. However, slower progress has been made in limited-resource environments where medical imaging is needed. For example, in Sub-Saharan Africa the rate of perinatal mortality is very high due to limited access to antenatal screening. In these countries, AI models could be implemented to help clinicians acquire fetal ultrasound planes for diagnosis of fetal abnormalities. So far, deep learning models have been proposed to identify standard fetal planes, but there is no evidence of their ability to generalise in centres with limited access to high-end ultrasound equipment and data. This work investigates different strategies to reduce the domain-shift effect for a fetal plane classification model trained on a high-resource clinical centre and transferred to a new low-resource centre. To that end, a classifier trained with 1,792 patients from Spain is first evaluated on a new centre in Denmark in optimal conditions with 1,008 patients and is later optimised to reach the same performance in five African centres (Egypt, Algeria, Uganda, Ghana and Malawi) with 25 patients each. The results show that a transfer learning approach can be a solution to integrate small-size African samples with existing large-scale databases in developed countries. In particular, the model can be re-aligned and optimised to boost the performance on African populations by increasing the recall to $0.92 \pm 0.04$ and at the same time maintaining a high precision across centres. This framework shows promise for building new AI models generalisable across clinical centres with limited data acquired in challenging and heterogeneous conditions and calls for further research to develop new solutions for usability of AI in countries with less resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google