[論文レビュー] 1D Convolutional neural networks and machine learning algorithms for spectral data classification with a case study for Covid-19

Breno Aguiar Krohling, Renato A Krohling|arXiv (Cornell University)|Jan 24, 2023

Spectroscopy Techniques in Biomedical and Chemical Research被引用数 5

ひとこと要約

本稿では、赤外分光法を用いたSARS-CoV-2検出に特に応用された分光データの分類を目的として、1次元畳み込みニューラルネットワーク（1D-CNN）を提案する。前処理にSavitzky-Golayフィルタを用い、公開済みのCOVID-19分光データセットにおいて、96.5%の正確度、98%の特異度、94%の感度を達成した。これは、SVM や PLS-DA といった従来の機械学習モデルを上回る性能であった。

ABSTRACT

Machine and deep learning algorithms have increasingly been applied to solve problems in various areas of knowledge. Among these areas, Chemometrics has been benefited from the application of these algorithms in spectral data analysis. Commonly, algorithms such as Support Vector Machines and Partial Least Squares are applied to spectral datasets to perform classification and regression tasks. In this paper, we present a 1D convolutional neural networks (1D-CNN) to evaluate the effectiveness on spectral data obtained from spectroscopy. In most cases, the spectrum signals are noisy and present overlap among classes. Firstly, we perform extensive experiments including 1D-CNN compared to machine learning algorithms and standard algorithms used in Chemometrics on spectral data classification for the most known datasets available in the literature. Next, spectral samples of the SARS-COV2 virus, which causes the COVID-19, have recently been collected via spectroscopy was used as a case study. Experimental results indicate superior performance of 1D-CNN over machine learning algorithms and standard algorithms, obtaining an average accuracy of 96.5%, specificity of 98%, and sensitivity of 94%. The promissing obtained results indicate the feasibility to use 1D-CNN in automated systems to diagnose COVID-19 and other viral diseases in the future.

研究の動機と目的

• 化学計測応用における分光データの分類に向けた1D-CNNの有効性を評価すること。
• 公開済みの分光データセットを用いて、1D-CNNの性能を従来の機械学習アルゴリズム（SVM、PLS-DA、KNN、MOCHM）と比較すること。
• 特にSavitzky-Golayフィルタを含むデータ前処理技術の分類性能への影響を調査すること。
• 赤外分光法データを用いた自動的で低コストかつ迅速なCOVID-19診断の可能性を示すこと。
• 分光解析で一般的に見られる小規模な訓練データセットに対しても、モデルの汎化性能を評価すること。

提案手法

• 1次元畳み込みニューラルネットワーク（1D-CNN）を、7つの公開済み分光データセットおよび赤外分光法によるSARS-CoV-2サンプルの事例研究データセットに適用した。
• ノイズ低減と信号品質の向上を目的として、分光データにSavitzky-Golay（SG）フィルタを用いて前処理を行った。
• ReLU活性化関数、バッチ正則化、グローバル平均プーリング層を含む1D-CNNモデルを訓練および評価した。
• 妥当性を確保するため、5分割交差検証を用いて1D-CNNの結果をSVM、PLS-DA、KNN、MOCHMと比較した。
• 標準指標（正確度、特異度、感度、標準偏差）を用いて性能を評価した。
• 前処理の影響を評価するためにアブレーションスタディを実施した。

Figure 1: 1D-CNN architecture made up of convolution, pooling, and fully connected layers.

実験結果

リサーチクエスチョン

• RQ1 1D-CNNの性能は、分光データの分類において従来の機械学習モデル（SVM、PLS-DA、KNN）と比べてどうか？
• RQ2 Savitzky-Golayフィルタの適用は、分光モデルの分類正確度および安定性にどのような影響を与えるか？
• RQ3 医療応用で一般的な小規模な分光データセットに対し、1D-CNNは効果的に汎化できるか？
• RQ4 SARS-CoV-2分光データを含む実世界の事例研究において、1D-CNNは既存の手法と比べてどのように性能を発揮するか？
• RQ5 1D-CNNは、分光的特徴からCOVID-19を検出する際、感度と特異度のトレードオフはどのように変化するか？

主な発見

• 1D-CNNはSARS-CoV-2分光データセットにおいて平均96.5%の正確度を達成し、SVM や PLS-DA を上回った。
• 特異度は98.06%に達し、標準偏差1.86であったため、陰性例を正しく特定する信頼性の高さが示された。
• 感度は94.06%であった。これは陽性例を強力に検出できる能力を示しており、偽陰性を最小限に抑える上で重要である。
• Savitzky-Golay前処理と1D-CNNの組み合わせが、モデル性能の向上と結果のばらつき低減に顕著な効果をもたらした。
• 同じデータセットで91%の正確度を達成したYinら（2021）が報告したGA-LDA手法を1D-CNNが上回った。
• 制限された訓練サンプル（111例の対照群、70例の陽性例）でも、1D-CNNモデルは良好な汎化性能を示し、小規模データセットに対しても頑健であることが示された。

(a)