[論文レビュー] A Recent Survey of the Advancements in Deep Learning Techniques for Monkeypox Disease Detection

Saddam Hussain Khan, Rashid Iqbal+1 more|arXiv (Cornell University)|Nov 6, 2023

Poxvirus research and outbreaks被引用数 5

ひとこと要約

本サーベイは、皮膚病変画像における自動マラウイ・パox（MPox）検出のためのディープラーニング（DL）技術について包括的な分析を提示する。評価対象は畳み込みニューラルネットワーク（CNNs）、アンサンブルモデル、ハイブリッドアーキテクチャ、およびビジョントランスフォーマーである。臨床的診断における主な課題を特定し、ベンチマークデータセット、前処理戦略、評価指標をレビューするとともに、DLベースのMPox検出システムにおける研究ギャップと今後の方向性を強調する。

ABSTRACT

Monkeypox (MPox) is a zoonotic infectious disease induced by the MPox Virus, part of the poxviridae orthopoxvirus group initially discovered in Africa and gained global attention in mid-2022 with cases reported outside endemic areas. Symptoms include headaches, chills, fever, smallpox, measles, and chickenpox-like skin manifestations and the WHO officially announced MPox as a global public health pandemic, in July 2022.Traditionally, PCR testing of skin lesions is considered a benchmark for the primary diagnosis by WHO, with symptom management as the primary treatment and antiviral drugs like tecovirimat for severe cases. However, manual analysis within hospitals poses a substantial challenge including the substantial burden on healthcare professionals, limited facilities, availability and fatigue among doctors, and human error during public health emergencies. Therefore, this survey paper provides an extensive and efficient analysis of deep learning (DL) methods for the automatic detection of MPox in skin lesion images. These DL techniques are broadly grouped into categories, including deep CNN, Deep CNNs ensemble, deep hybrid learning, the newly developed, and Vision transformer for diagnosing MPox. Moreover, this study offers a systematic exploration of the evolutionary progression of DL techniques and identifies, and addresses limitations in previous methods while highlighting the valuable contributions and innovation. Additionally, the paper addresses benchmark datasets and their collection from various authentic sources, pre-processing techniques, and evaluation metrics. The survey also briefly delves into emerging concepts, identifies research gaps, limitations, and applications, and outlines challenges in the diagnosis process. This survey furnishes valuable insights into the prospective areas of DL innovative ideas and is anticipated to serve as a path for researchers.

研究の動機と目的

• 皮膚病変画像を用いた自動マラウイ・パox検出における最近のディープラーニングの進展を体系的にレビューすること。
• CNNs、アンサンブルモデル、ハイブリッドネットワーク、ビジョントランスフォーマーを含むさまざまなDLアーキテクチャの進化と性能を分析すること。
• MPox検出研究で用いられるベンチマークデータセット、前処理技術、標準的な評価指標を評価すること。
• 既存手法の制限を特定し、臨床応用およびモデルの汎化性能における研究ギャップを強調すること。
• ディープラーニング駆動の自動MPox診断システムにおける今後の研究のロードマップを提示すること。

提案手法

• 本サーベイは、画像ベースの診断を焦点として、マラウイ・パox検出のためのディープラーニングに関する学術的論文を体系的にレビューする。
• DL技術を以下のカテゴリーに分類する：(1) ディープCNNs、(2) ディープCNNsのアンサンブル、(3) ディープハイブリッド学習モデル、(4) 新たに開発されたアーキテクチャ、(5) ビジョントランスフォーマー。
• 研究で使用されたデータセットの出典、サイズ、アノテーション品質を評価し、データの信頼性と多様性を検証する。
• 画像正規化、増幅、病変セグメンテーション技術を含む前処理パイプラインを分析する。
• 研究間で比較可能な評価指標（正確性、感度、特異度、AUC-ROC、F1スコア）を用いてモデル性能を評価する。
• モデルの解釈可能性、臨床的実用性、およびDLモデルがMPox検出に実用的に導入される際の課題を統合的に分析する。

実験結果

リサーチクエスチョン

• RQ1 皮膚病変画像からのマラウイ・パox検出に最も効果的なディープラーニングアーキテクチャは何か？
• RQ2 異なるデータ増幅および前処理技術は、MPox検出モデルの性能にどのように影響を与えるか？
• RQ3 サイズ、多様性、臨床的関連性の観点から、既存のベンチマークデータセットにどのような制限があるか？
• RQ4 ビジョントランスフォーマーとハイブリッドモデルは、従来のCNNsと比較して、どのようにMPox病変分類に優れているか？
• RQ5 臨床的MPox診断におけるディープラーニングモデルの導入において、主な研究ギャップと課題は何か？

主な発見

• ディープCNNsは、MPox検出において最も広く使用されており、標準データセット上での強力なベースライン性能を示している。
• アンサンブルモデルやハイブリッドアーキテクチャは、単一のCNNsと比較して、特にクラス不均衡の処理において、より高い精度と耐性を示している。
• ビジョントランスフォーマーは有望な代替手法として登場し、大規模データを用いた病変分類タスクで競合する性能を達成している。
• 本研究では、標準的で公開済みで多様性に富んだベンチマークデータセットが不足していることが、分野における主要な制限要因であると特定した。
• データ増幅や病変セグメンテーションなどの前処理技術は、モデルの汎化性能を向上させ、過学習を低減する上で顕著な効果を示している。
• 評価指標は研究間で大きくばらつきを示しており、臨床現場でのモデル信頼性を評価するうえで、AUC-ROCとF1スコアが最も有用であると判明した。