[論文レビュー] AI-Skin : Skin Disease Recognition based on Self-learning and Wide Data Collection through a Closed Loop Framework

Min Chen, Ping Zhou+4 more|arXiv (Cornell University)|Jun 5, 2019

Cutaneous Melanoma Detection and Management参考文献 37被引用数 6

ひとこと要約

本論文は、エッジおよびクラウドシステムを横断する自己学習および広範なデータ収集を活用して、リアルタイムで個別化された皮膚疾患認識を実現するクローズド・ループAI-Skinフレームワークを提案する。情報エントロピーに基づくデータフィルタリングとモジュラーディープラーニングインターフェースを活用することで、システムは1.2秒の平均エッジ計算時間でサブ秒オーダーのエンド・ツー・エンド遅延を達成し、多様な皮膚タイプや画像解像度において高い分類精度を維持する。

ABSTRACT

There are a lot of hidden dangers in the change of human skin conditions, such as the sunburn caused by long-time exposure to ultraviolet radiation, which not only has aesthetic impact causing psychological depression and lack of self-confidence, but also may even be life-threatening due to skin canceration. Current skin disease researches adopt the auto-classification system for improving the accuracy rate of skin disease classification. However, the excessive dependence on the image sample database is unable to provide individualized diagnosis service for different population groups. To overcome this problem, a medical AI framework based on data width evolution and self-learning is put forward in this paper to provide skin disease medical service meeting the requirement of real time, extendibility and individualization. First, the wide collection of data in the close-loop information flow of user and remote medical data center is discussed. Next, a data set filter algorithm based on information entropy is given, to lighten the load of edge node and meanwhile improve the learning ability of remote cloud analysis model. In addition, the framework provides an external algorithm load module, which can be compatible with the application requirements according to the model selected. Three kinds of deep learning model, i.e. LeNet-5, AlexNet and VGG16, are loaded and compared, which have verified the universality of the algorithm load module. The experiment platform for the proposed real-time, individualized and extensible skin disease recognition system is built. And the system's computation and communication delay under the interaction scenario between tester and remote data center are analyzed. It is demonstrated that the system we put forward is reliable and effective.

研究の動機と目的

• 従来の皮膚疾患認識システムが静的で集約型のデータセットに大きく依存しており、個別化が欠如しているという限界を是正すること。
• ユーザーおよび遠隔医療機関からの継続的データ収集を統合したクローズド・ループ情報フローにより、リアルタイムで個別化された診断を可能にすること。
• エッジでの情報エントロピーに基づくアルゴリズムによる低品質データのフィルタリングにより、ネットワークおよび計算負荷を低減すること。
• 複数のディープラーニングモデル（LeNet-5、AlexNet、VGG16）と互換性を持つモジュラーライブラリインターフェースを設計することで、拡張性を確保すること。
• 実世界のテストとエンド・ツー・エンド遅延分析を通じて、システムの信頼性を検証すること。

提案手法

• ユーザー端末と遠隔医療データセンターとの間で、継続的にユーザーの皮膚画像、健康データ、環境要因、およびモデルパラメータを更新するクローズド・ループのデータフローを実装する。
• エッジ・ノードで高価値のデータを事前処理および選別する情報エントロピーに基づくデータセットフィルタリングアルゴリズムを設計し、データ品質とモデル学習効率を向上させる。
• 複数のディープラーニングモデル（LeNet-5、AlexNet、VGG16）の動的統合と比較を可能にするプラグイン型のアルゴリズムロードモジュールを導入し、柔軟なモデル展開を実現する。
• エッジコンピューティングを活用して、画像分類処理をローカルで実行し、送信負荷と通信遅延を低減する。
• クラウドベースのモデルトレーニングと最適化を統合し、自己学習と時間経過に伴う継続的なモデル改善を可能にする。
• 2 Mbps帯域幅の実環境条件下でエンド・ツー・エンド遅延分析を実施し、計算遅延と送信遅延の両方を測定する。

実験結果

リサーチクエスチョン

• RQ1 継続的なユーザーおよび医療機関からのデータフィードバックを通じて、クローズド・ループシステムは皮膚疾患認識の正確性と個別化をどのように向上させ得るか？
• RQ2 エッジ・ノードでの情報エントロピーに基づくデータフィルタリングアルゴリズムは、モデル学習性能を保持しつつ、どれほどデータ送信負荷を低減できるか？
• RQ3 実用的な通信条件下におけるリアルタイムでエッジ・クラウド連携を行う皮膚疾患認識システムのエンド・ツー・エンド遅延性能はどの程度か？
• RQ4 画像解像度と圧縮は、モバイルベースの皮膚疾患検出システムにおける分類精度と計算遅延にどのように影響するか？
• RQ5 モジュラーライブラリインターフェースは、医療AIフレームワークにおいて、LeNet-5、AlexNet、VGG16などの多様なディープラーニングモデルのシームレスな統合と比較を可能にするか？

主な発見

• AlexNetモデル下で平均エッジ計算遅延は1.2秒であり、合計エンド・ツー・エンド通信遅延（計算 + 送信）は1秒オーダーである。
• AlexNetモデル下で合計通信遅延の標準偏差は75 ms、LeNet-5モデル下では63 msであり、安定的で予測可能な性能であることが示された。
• 通常の期待とは反対に、高解像度画像（1233634バイト）が低解像度画像（4830バイト）よりもエッジで高速に処理された。これは、モデル最適化および特徴抽出効率の向上によるものと推定される。
• 黒頭粉瘤や皮膚斑などの皮膚疾患の分類精度は、画像解像度にかかわらず高い水準（1.0の検出確率）を維持しており、圧縮に強く、耐性があることが示された。
• 本システムは高い拡張性を示し、統一されたアルゴリズムロードインターフェースを通じて、LeNet-5、AlexNet、VGG16の3つの異なるディープラーニングモデルの統合と比較に成功した。
• クローズド・ループフレームワークにより、ユーザーおよび医療データからの反復フィードバックを通じて、継続的な自己学習とデータ進化が可能となり、モデルの適応性と個別化が時間経過とともに向上した。