2005. 4. 12 森田純哉

1

Structured computer-based training in the interpretation of

neuroradiological images

M. Sharples , N.P. Jeffery , B. du Boulay, B.A. Teather , D. Teather , G.H. du Boulay International Journal of Medical Informatics 60 (2000) 263–280

概要概要概要概要 MRI診断を対象とした Intelligent Tutoring System (MR Tutor) を認知工学的な観点から開発

• 画像を記述する言語の構造化 (IDL: Image Description Language) • 画像特徴の記述に関する統計量の可視化 (Overview plot)

1. Introduction 放射線医学のトレーニング方法は，伝統的な徒弟制やレクチャーから，より構造化されたアプローチに変化

• 症例データベースを通した学習 • 実践を通した医学的知識のカプセル化 • 適切に構造化された概念フレームワークの構築

構造化された言語による所見の記述をサポートする計算機システムの有用性が指摘 • マンモグラフィにおける検討 [Getty 88] • MRIにおける検討 [du Boulay 94] ! ノービスがエキスパート並みの診断能力に

2. Computer-based training in radiology 放射線医学における従来の主要な教育システム

• ビデオディスクアプリケーション [McEnery 85] • ハイパーメディア [Kahn 91, Hayt 91] • Web教材

従来の主要な教育システムの問題 • 画像の観察とレポート記述の関連性が薄い • 自然言語による教材の記述 (計算機は理解できない)

放射線医学における構造的な記述を支援する知識ベースシステム (ITS) は少数 • CT Brain Tutor [Macura 94] ! CTやMRIを利用した脳腫瘍の診断をサポート ! 120の症例ライブラリから症例を選択し，研修医に提示 ! 症例ライブラリ中の症例は臨床情報・放射線学的特徴の観点からタグ付け済み

• Radiology Tutor [Sharples 89] ! ソクラテス的対話 ! 胸部 X線写真 ! 自然言語による対話が可能 ! 自然言語処理がプア

• RUI [Diren, 93] ! Radiology Tutorの一般化

2005. 4. 12 森田純哉

2

! MR, CT, 超音波, X線などマルチモーダルな診断をサポート • RadTutor [Azevedo 97] ! 教授の方法に認知的知見と方法論を適用 # 知見: 認知の多様性・活性度・適応・信頼性 # 方法論: モデリング・コーチング・アシスタントのフェーディング・構造的問題解決法・状況付けられた学習

3. Comparison between the MR Tutor and other systems MR Tutorの背景

• 学習の構成主義的アプローチ ! 事例 (症例) ベースの実践の積み重ねを通して，医用画像の記述に関する構造的アプローチが獲得

他のシステムとの違い • 一貫した画像の解釈を助ける Image Description Language (IDL) を利用 • 症例群の概観，症例間でのばらつきを視覚化する新たな方法の実装

MR Tutorの提供する機能 • 症例アーカイブを典型性や類似性に基づいて探索 • 自身の診断とエキスパートの診断を比較 • IDLを通した研修医と計算機のコミュニケーション

4. System requirements 社会-認知工学から派生 人間とコンピュータの相互交流様式の分析に基づくシステムのデザイン 放射線診断に対する実証研究

• Mylse-Worsly ! 放射線医学に必要な能力 # 素早く正確な正常構造の認識 # 正常な状態と異常な状態の区別

! 膨大な量の画像に触れ，レポートを記述することが重要 ! その結果、正常像に対する注意が削減され、異常像に対する注意が際立つようになる

• Lesgold ! 放射線科医は複数のステップにのっとって診断を行なう

1. ざっと眺めた結果、心的スキーマ (初期仮説) がトリガリング 2. 初期仮説に導かれる能動的な探索 3. 仮説の明確化

• Azevedo and Lajoie ! 知覚と問題解決の密接なカップリングを指摘 ! エキスパートは能動的に知覚された視覚特徴を仮説にマッピングする

• 著者たち自身の調査 (医療機関における観察・インタビュー) ! 教授の場面におけるスキャフォールディング (ヒント) などを確認

社会-認知工学から導かれる教育システムの開発要件 • 現場での診断活動に近い学習環境→膨大な症例ベースの作成 • 症例間の類似に基づく比較をサポート • 早く, 正確な判断の発達をサポート

2005. 4. 12 森田純哉

3

• 断片化された知識から一般的な構造化スキーマへの統合をサポート • 経験に対するリフレクションをサポート • 一般的な知識と状況付けられた知識の統合をサポート • 家や職場で気軽に使えるように、パーソナルコンピュータに実装

現在のMR Tutor (Fig. 1) • 1200症例の保持 ! 2つの異なる医療機関からのサンプル(専門的な機関と一般的な機関) ! 全ての症例を IDLの観点からタグ付け済み ! 全ての症例は確定診断済み

• Overview plot (後述) からの症例選択，症例間の比較 • IDLに基づくレポート記述法の教授 (メニュー選択によるレポート記述) • 状況に敏感なヘルプシステムの装備 • 視覚的ディスプレイを通した他の症例との関連付けによるリフレクション • パーソナルコンピュータ上で動作

5. Overview of the MR Tutor MR Tutorの狙い

• 頭部MR画像の異常所見を記述するための構造化された言語の獲得をサポート • 画像特徴の範囲・分布度・多様性に関する正しい認識の獲得をサポート

MR Tutorの利用 (Fig. 2) 1. ユーザによる症例アーカイブの探索 (Fig.2-1) 2. ユーザ，もしくはシステムによる症例の選択 (Fig.2-2) 3. ユーザによる症例の特徴の記述 (Fig. 2-3) 4. システムからのフィードバック (Fig. 2-3.1.2)

MR Tutorのインタフェース = 4つのパネルから構成 (Fig. 3) • 右側スクリーン: アーカイブとの相互作用 ! 下: アーカイブの構造を示す Overview plot (詳細は後述) # プロトタイプでは神経膠腫と脳梗塞の 15症例を選択 # 特徴記述の統計量を視覚化

+は症例の中心，楕円は分布度，類似した症例は近接して配置 ! 上: アーカイブから選択された症例 (256×256ピクセル) # Overview plot中のポイントをクリックすることで素早く選択

• 左側スクリーン: チュータリングコンポーネント ! 上: チュータリングのターゲットとなる症例 # アーカイブ中の症例との視覚的比較を行いながらの診断が可能

! 下: メニューを介した IDLの提示．メニュー選択によるレポートの記述 # 用語の定義を示すヘルプシステム # 特徴記述に関するラベル (Fig. 3における“Location”): マウスの通過によるイベントの生起 (その特徴を持つ症例の Overview plot上の位置を表示)

# IDLをメニューから選択し終わった時点でのメッセージ提示 あなたは以下の病巣を正しく同定しました

Cerebral white matter しかし，次の病巣に関しては誤って同定しました

Cortical gray matter

2005. 4. 12 森田純哉

4

また，次の場所に関しては見逃しました Periventircular Central gray Brainstem or cerebellum

それでは，次にこの病巣はどの程度，普通の組織と区別されるのかを表現しましょう

# 記述終了後に研修医の記述した症例を Overview plotに追加 エキスパートと自身の診断との視覚的な比較が可能 エキスパートの診断と重なるまで診断を続行できる エキスパートの記述を参考にすることもできる

• コントロールパネル ! スライスの移動 ! window (グレーレベル) の調整

MR Tutorの動作環境 • Toshiba Tecra 800 laptop (Pentium Ⅱ 233MHzm, 127Mb RAM) • 画像のロード時間は 1秒以下

6. Structured reporting and the image description language IDLの背景

• 異常所見の記述に関して，標準化された方法はない • 構造化された記述の必要性は広く認められている

カルテの標準化・よく定義された言葉で医師間での所見の交換 画像所見の記述に関する du Boulayの先駆的な研究により IDLは開発

• 18年間のプロジェクト • 関係した研究機関 ! Medical Systems Group, De Montfort University ! Institute of Neurology, London

プロジェクトの成果 • 頭部の CTとMRIを対象とした Image languageの標準化 • 計算機による画像診断支援システムの開発 (BRAINS) ! レポート記述の際に，画像所見を記述する用語をメニューで提示

• 評価実験: 20人の医師による最大 20症例の記述 ! 構造化アプローチのトレーニングに対する有用性を確認

IDL作成のアプローチ = プロトタイプを繰り返し作成 • 2名の放射線科医による異常MR画像に対するディスカッションのプロトコル分析 • プロトタイプを他の 10症例に適用し，2名のコーダーによって記述 • プロトタイプによる記述の正確さと完全さが評価 • プロトタイプの改定 • プロトタイプを 66症例に適用．1名のコーダーが記述 • プロトタイプによる正確さと完全さの評価

IDLの特徴 • IDLは診断と独立した画像の見た目に関する言語 (意味論的な構造から診断と関係はする)

• 計算機への実装に適している ! 画像を記述する特徴の標準的な集合 (183の特徴次元 Fig . 4)

2005. 4. 12 森田純哉

5

! スロットをもつスキーマの形式で情報が保存 IDLの効果

• 3つの疾患を対象とした鑑別診断に適用 • 統計的な分析の結果，IDLは診断の予測に有効であることを確認

本研究における IDLの利用 • 単純化バージョンを利用 • メインカテゴリのみ利用 Fig 5に単語 Fig 6に記述

7. The overview plot: visualization and interaction with the case library 放射線医学におけるスキルの獲得

個々の症例の観察とレポーティングから得られた知識を一般的なスキーマに統合 →所見から疾患の可能性を判断する能力の向上

疾患スキーマの構築に関する提案手法 = Interactive overview plot (Fig. 3) • 同一の (関連した) 疾患カテゴリ中の他の症例との関係に基づく症例の観察 • 疾患カテゴリに応じた分布度，類似度や典型性に応じたカテゴリメンバの空間的配置の視覚化

• カテゴリ内の分布度に関する統計モデルの利用 ! 所与の疾患 (D) で特定の特徴 (f) が存在しうる確率 (P(f|D)) の算出 ! 所与の特徴 (f) が与えられたときに特定の特徴 (疾患) でありうる確率 (P(D|f)) の算出も可能

• アーカイブ中の各症例はエキスパートによる特徴記述済み 症例の表現

• 特徴の配列 (各特徴の有無を 2値で表現) • サイズなどは区間を区切って 2値表現 (0.5cm以下，0.5～1cm，1.5～2.0cm) ! 連続値も名義カテゴリもともに同一の形式上で表現可能 ! 不自然な共通尺度を構成する必要がない

Overview plotの算出 • MCA (多変量対応分析?) の利用 ! 各変数の情報を損なうことなしに多次元空間を 2次元の表面に投影 ! 2次元上で近いものは類似 ! カテゴリの中心は典型的・周辺は非典型的

• カテゴリの中心から遠ざかるほど，類似度に比した症例間の距離は近くなる ! 心理学的知見と一致: 典型的な症例間での類似度判断はより詳細

• 判断の支援を行なうために輪郭線 (信頼区間) を追加 (従来の統計モデルを参照) Overview plotの利点

• 頻度に関わらず全ての変数にまたがる表現 • 連続的・名義的なカテゴリの両方にまたがる表現 • 症例の典型性，類似性，広がり，クラスタリング，カテゴリ間のオーバーラップの視覚化

• 原理的にプロット上の全ての位置において画像の記述が可能．プロット上の点から記述を生成することも可能．しかし，点から記述への写像は 1 対多であるため，なんらかのヒューリスティクスは必要

• 特徴配列から事前にプロットを計算することが可能 • 大きなサンプルの場合はプロットを再計算する必要がない

2005. 4. 12 森田純哉

6

Overview plotの例 Fig. 7 • 単一の疾患カテゴリ [神経膠腫] • 注釈は説明のため • focal structure (局所構造?) の存在する症例がクラスタをなした • 縦軸がサイズを表現した

スモールワールドを作成した Overview plot Fig. 8 • アーカイブを複数の小さな集合に分割し，Overview plotを記述 • 神経膠腫と脳梗塞の症例の Overview plot • 2つの疾患の区別が困難であることを示す • ただ，周囲には非典型的だが，神経膠腫と脳梗塞との鑑別診断が容易な症例が存在 ! でも，他の疾患との区別は困難かもしれない

Overview plotのインタラクティブ性 • ポインタは症例へのリンク • 容易な画像のロード．症例間の関係の学習

8. Evaluation 評価実験 1

• 被験者 • 4人の脳放射線医学者・3人の HCI研究者

• 手続き 1. 20分間のチュートリアル 2. MR Tutorの利用 (アーカイブから典型的な症例を検索, 病巣の見た目を記述…) 3. 以下の項目を 5段階評定

• システム状態の可視性 • システムと現実世界の対応 • ユーザの操作性と自由度 • 一貫性と標準性 • 直感性 • 速度と操作のたやすさ • 審美性と混乱を招かないデザイン • ヘルプと documentation

4. 感想 • 評定結果 ! HCIの専門家: 全体の平均値 3.96 ! 放射線科医: 4.13

• 感想 ! HCI の専門家はシステムがインタフェースデザインの標準にしたがっていることを指摘

! HCI の専門家は全体的な見た目とインタフェースの感覚をほめ，全ての被験者がスクリーンレイアウトを良いものであり，審美的に優れていることを認めた

• 改善のためのコメント ! 放射線科医のコメント: # 経過観察用の画像を追加 # 画像サイズの拡大

2005. 4. 12 森田純哉

7

# IDLは初学者には有効．でももう少し妥当性を向上させたほうが良い．特にサイズと形状について

! HCIの専門家 # メニューエリアはクリア（選択すると次のメニューが提示される） # よく構造化されている．レイアウトもよい # 次のヘッディングボタンを押すと新たなメニューが現れる？これが混乱を招く

# Overview plotについてはほめた • IDLによる Overview plotの妥当性の評価に関する検討 ! 放射線科医による症例間の類似度評定 vs. Overview plot間での距離 # スピアマンの順位相関係数 0.754 # エキスパート類似度評定に基づくMDSとシステムによるOverview plotは良く似ていた

評価実験 2 • 被験者 ! 4人のノービス (放射線医学を知らない) ! 9人の中級者 (研修医 4年目・放射線技師) ! 4人のエキスパート

• 手続き 1. 単一疾患の Overview plotを提示（6症例を取り除く） 2. Overview plotから自由に症例を観察 3. 症例の記述を IDLによって実施 4. 残りの 6症例を提示され，Overview plot上へ配置

• 結果 ! もとのプロットと被験者のプロットの距離を計算 ! 対数変換後に ANOVA ! 3水準での差が有意 F (2, 60) = 3.150, p < 0.05 ! エキスパートはノービスや中級者よりもシステムのプロットと近い位置に点を配置

• 多肢選択式質問紙 ! Overview plotは使うのが容易 ! ノービスがエキスパートの持つ症例の分布に関する認識を学ぶ上で有用であると評価

9. Work in progress and future work MR TutorはMEDIATEプロジェクトの一環

• MEDIATE = MR画像の総合的診断環境 • MR Tutorの発展を含む ! 読影レポーティングのより詳細な課題分析 ! Overview plotに対する放射線科医の理解・心的表象の分析 ! 不確実性に対する許容と表現の方法の探索

MR Tutorの改善案 • 教授ストラテジーの開発 • スキャフォールド

2005. 4. 12 森田純哉

8

• IDLの妥当性を向上 • データベースの妥当性を向上・混乱を招きやすい症例に関するスモールワールドの組織化

教授ストラテジー = インタラクティブな教授を向上 • 症例をシステム側から提示する • 初期仮説を提起していなかった場合には促す • 全てのスライドを見ていなかった場合には注意を促す • もっともよく病巣を示すスライスを見ていなかった場合には注意を促す • アーカイブをよく利用していなかったときには注意を促す

スキャフォールド = 熟達化に応じた段階的な教授 1. IDLによる症例への記述を通した言語体系の学習 2. エキスパートによる記述を参照し，疾患間でのオーバーラップを理解 3. 研修医自らが新たな症例をシステムにいれる．システムは記述をサポートするシステムと診断支援ツールを提供

4. 全てのスキャフォールディングをとりはずす 5. 新たに記述された症例とアーカイブ中の他の症例や疾患との関係を表示→エキスパートに対する診断支援の実行

IDLの妥当性の向上 • 単純化された言語をエキスパートユーザのために拡張

データベースの妥当性の向上・拡張 • 構造化された言語でレポートを記述 • 1200のライブラリの全てを利用可能に • リアルタイムで Overview plotを提示 • ジャーナルや他の資料とのリンク

その他の拡張 • アトラスとの連携 • ビデオカンファレンス装置を利用して広い範囲でのコミュニケーション

10. Conclusion

• MR画像に対するとレーニングと診断支援システムを示した • MR Tutorはシステムと人間の双方向的な症例へのアクセスが可能になる • システムは Overview plotを実装し，インタラクティブな視覚化装置をもつ • MR Tutotは自己学習アプローチをとり，放射線診断に関する体系的な学習を支援 • Overview plotと構造化アプローチは放射線の教師によく受け入れられた • 更なる開発とシステムの使用によって，計算機ベースのトレーニングの有用性が示される

2005. 4. 12 森田純哉

9

2005. 4. 12 森田純哉

10

2005. 4. 12 森田純哉

11

2005. 4. 12 森田純哉

12

2005. 4. 12 森田純哉

13

2005. 4. 12 森田純哉

14

2005. 4. 12 森田純哉

15