Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review from the Perspectives of Key Features of Data Analysis and AI Assurance

要約

背景と目的: この情報を抽出することにより、機械学習または深層学習 (ML/DL) ベースの自律型データ分析ツールは、臨床医やがん研究者が複雑なデータセットからパターンや関係を発見するのを支援できます。
卵巣がん (OC) データに関する多くの DL ベースの分析が最近発表されました。
これらの分析は、がんのさまざまな側面 (対象となるサブドメインやがんの種類など) およびデータ分析の特徴において非常に多様です。
ただし、これらの機能と AI 保証 (AIA) に関するこれらの分析の包括的な理解は、現時点では不足しています。
この系統的レビューは、既存の文献を調査し、DL を使用した OC データ分析の重要な側面を特定し、主要な機能と AI 保証の観点に明確に焦点を当てることで、このギャップを埋めることを目的としています。
方法: PRISMA フレームワークを使用して、3 つのジャーナル データベースで包括的な検索を実行しました。
分析には、2015 年から 2023 年の間に査読付き雑誌に発表された研究のみが含まれています。
結果: レビューでは、合計 96 件の DL 主導の分析が検査されました。
この結果により、DL による卵巣がんデータ分析に関するいくつかの重要な洞察が明らかになりました。 – ほとんどの研究 71% (96 件中 68 件) は検出と診断に焦点を当てていましたが、OC の予測と予防に取り組んだ研究はありませんでした。
– 分析は主に、地理的場所または国に限定された非多様性集団からのサンプル (75% (72/96 研究)) に基づいていました。
– 統合分析を実行したのはごく一部の研究 (わずか 33% (32/96)) であり、そのほとんどは均質なデータ (臨床またはオミクス) を使用していました。
– 注目すべきことに、外部の多様なデータセットを使用してモデルを検証した研究はわずか 8.3% (96 件中 8 件) であり、モデル検証の強化の必要性が強調されています。 – がんデータ分析への AIA の組み込みは非常に初期段階にあります。
説明可能性を通じて AIA に明示的に対処したのは 2.1% (2/96) のみでした。

要約(オリジナル)

Background and objectives: By extracting this information, Machine or Deep Learning (ML/DL)-based autonomous data analysis tools can assist clinicians and cancer researchers in discovering patterns and relationships from complex data sets. Many DL-based analyses on ovarian cancer (OC) data have recently been published. These analyses are highly diverse in various aspects of cancer (e.g., subdomain(s) and cancer type they address) and data analysis features. However, a comprehensive understanding of these analyses in terms of these features and AI assurance (AIA) is currently lacking. This systematic review aims to fill this gap by examining the existing literature and identifying important aspects of OC data analysis using DL, explicitly focusing on the key features and AI assurance perspectives. Methods: The PRISMA framework was used to conduct comprehensive searches in three journal databases. Only studies published between 2015 and 2023 in peer-reviewed journals were included in the analysis. Results: In the review, a total of 96 DL-driven analyses were examined. The findings reveal several important insights regarding DL-driven ovarian cancer data analysis: – Most studies 71% (68 out of 96) focused on detection and diagnosis, while no study addressed the prediction and prevention of OC. – The analyses were predominantly based on samples from a non-diverse population (75% (72/96 studies)), limited to a geographic location or country. – Only a small proportion of studies (only 33% (32/96)) performed integrated analyses, most of which used homogeneous data (clinical or omics). – Notably, a mere 8.3% (8/96) of the studies validated their models using external and diverse data sets, highlighting the need for enhanced model validation, and – The inclusion of AIA in cancer data analysis is in a very early stage; only 2.1% (2/96) explicitly addressed AIA through explainability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google