A Systematic Review of Generalization Research in Medical Image Classification

要約

多数の深層学習 (DL) 分類モデルが広範な医用画像分析アプリケーション向けに開発されており、医療行為のさまざまな側面を再構築することが期待されています。
DL モデルの検証と実装は早期に進歩し、医療機関の導入が促進されていますが、根本的な疑問が残っています。これらのモデルはドメイン シフトにどのように効果的に対処できるのでしょうか?
この質問は、DL モデルのパフォーマンス低下を制限するために重要です。
医療データは動的であり、複数の要因によりドメインが変化する傾向があります。
時間の経過とともに 2 つの主なシフト タイプが発生する可能性があります。1) 主に医療機器の更新によって生じる共変量シフト、および 2) 学年間の変動によって引き起こされる概念シフトです。
ドメインシフトの問題を軽減するために、既存の調査は主にドメイン適応技術に焦点を当てており、共変量シフトに重点を置いています。
より一般的には、シフト タイプに焦点を当てて最先端のソリューションをレビューした研究はありません。
この論文は、文献の体系的なレビューを通じて、DL ベースの分類モデルの既存のドメイン一般化手法を調査することを目的としています。
解決しようとしているシフト タイプに基づいた分類法を提案しています。
論文は 2023 年 4 月 10 日まで Scopus で検索および収集され、適格性審査と品質評価の後、77 件の論文が特定されました。
除外基準には、方法論的な新規性の欠如（レビュー、ベンチマークなど）、単一の単一中心データセットで実施された実験、または英語で書かれていない論文が含まれます。
この論文の結果は、どちらのシフト タイプでも学習ベースの手法が出現していることを示しています。
最後に、改善された評価プロトコルとベンチマークの必要性を含む将来の課題について議論し、医用画像分類のための堅牢で一般化されたモデルを実現するための将来の開発を構想します。

要約(オリジナル)

Numerous Deep Learning (DL) classification models have been developed for a large spectrum of medical image analysis applications, which promises to reshape various facets of medical practice. Despite early advances in DL model validation and implementation, which encourage healthcare institutions to adopt them, a fundamental questions remain: how can these models effectively handle domain shift? This question is crucial to limit DL models performance degradation. Medical data are dynamic and prone to domain shift, due to multiple factors. Two main shift types can occur over time: 1) covariate shift mainly arising due to updates to medical equipment and 2) concept shift caused by inter-grader variability. To mitigate the problem of domain shift, existing surveys mainly focus on domain adaptation techniques, with an emphasis on covariate shift. More generally, no work has reviewed the state-of-the-art solutions while focusing on the shift types. This paper aims to explore existing domain generalization methods for DL-based classification models through a systematic review of literature. It proposes a taxonomy based on the shift type they aim to solve. Papers were searched and gathered on Scopus till 10 April 2023, and after the eligibility screening and quality evaluation, 77 articles were identified. Exclusion criteria included: lack of methodological novelty (e.g., reviews, benchmarks), experiments conducted on a single mono-center dataset, or articles not written in English. The results of this paper show that learning based methods are emerging, for both shift types. Finally, we discuss future challenges, including the need for improved evaluation protocols and benchmarks, and envisioned future developments to achieve robust, generalized models for medical image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google