パン癌スクリーニングのためのGlance and Focus強化学習

要旨

大規模CTスキャンにおけるパンキャンサー（全癌種）スクリーニングは、大容量CTデータ内の多種多様な微小病変を位置特定する難しさから、既存のAI手法にとって依然として課題である。極度の前景（病変）と背景（正常組織）の不均衡は、モデルが病変領域に注目することを著しく阻害し、正常領域への冗長な注目は効率を低下させるだけでなく、偽陽性を増加させる。放射線科医の「一瞥」と「集中」という診断戦略に着想を得て、我々はパンキャンサースクリーニングのためのGlance and Focus強化学習フレームワーク「GF-Screen」を提案する。GF-Screenは、病変領域を位置特定するGlanceモデルと、病変を精密にセグメンテーションするFocusモデルを採用し、Focusモデルのセグメンテーション結果を強化学習（RL）を介してGlanceモデルを報酬付与するために利用する。具体的には、GlanceモデルはCTボリューム全体から一連の部分ボリュームを切り出し、Focusモデルがセグメンテーションすべき病変を含む部分ボリュームを選択することを学習する。この選択操作はセグメンテーション訓練において微分不可能であるため、セグメンテーション結果を用いてGlanceモデルを報酬付与することを提案する。Glanceモデルを最適化するために、グループ内相対比較を用いて高利点の予測を優先し、低利点の予測を棄却する、新規のグループ相対学習パラダイムを導入する。これにより、効率性の向上だけでなく、偽陽性の低減も図られる。この方法により、我々は強化学習の最先端技術をパンキャンサースクリーニングの特定課題に効果的に適用する初の事例を実現した。9種類の病変タイプにわたる16の内部データセットと7つの外部データセットを用いた大規模な実験により、GF-Screenの有効性が実証された。特筆すべきは、GF-ScreenがMICCAI FLARE25パンキャンサーチャレンジの公開検証リーダーボードで首位となり、FLARE24優勝解法を大きな差（DSC +25.6%、NSD +28.2%）で凌駕したことである。

English

Pan-cancer screening in large-scale CT scans remains challenging for existing AI methods, primarily due to the difficulty of localizing diverse types of tiny lesions in large CT volumes. The extreme foreground-background imbalance significantly hinders models from focusing on diseased regions, while redundant focus on healthy regions not only decreases the efficiency but also increases false positives. Inspired by radiologists' glance and focus diagnostic strategy, we introduce GF-Screen, a Glance and Focus reinforcement learning framework for pan-cancer screening. GF-Screen employs a Glance model to localize the diseased regions and a Focus model to precisely segment the lesions, where segmentation results of the Focus model are leveraged to reward the Glance model via Reinforcement Learning (RL). Specifically, the Glance model crops a group of sub-volumes from the entire CT volume and learns to select the sub-volumes with lesions for the Focus model to segment. Given that the selecting operation is non-differentiable for segmentation training, we propose to employ the segmentation results to reward the Glance model. To optimize the Glance model, we introduce a novel group relative learning paradigm, which employs group relative comparison to prioritize high-advantage predictions and discard low-advantage predictions within sub-volume groups, not only improving efficiency but also reducing false positives. In this way, for the first time, we effectively extend cutting-edge RL techniques to tackle the specific challenges in pan-cancer screening. Extensive experiments on 16 internal and 7 external datasets across 9 lesion types demonstrated the effectiveness of GF-Screen. Notably, GF-Screen leads the public validation leaderboard of MICCAI FLARE25 pan-cancer challenge, surpassing the FLARE24 champion solution by a large margin (+25.6% DSC and +28.2% NSD).

パン癌スクリーニングのためのGlance and Focus強化学習

Glance and Focus Reinforcement for Pan-cancer Screening

要旨

Support