[論文レビュー] Deep learning and machine learning for Malaria detection: overview, challenges and future directions

Imen Jdey, Ghazala Hcini+1 more|arXiv (Cornell University)|Sep 27, 2022

Digital Imaging for Blood Diseases被引用数 4

ひとこと要約

本論文は、血液塗抹標本画像からの自動マラリア検出に向けた機械学習およびディープラーニング技術、特に畳み込みニューラルネットワーク（CNN）のレビューを行っている。性能、データ不足やモデルの解釈可能性といった課題を評価し、正確性と臨床応用の向上を目指して事前学習モデルとハイブリッド手法の活用を提言する。

ABSTRACT

To have the greatest impact, public health initiatives must be made using evidence-based decision-making. Machine learning Algorithms are created to gather, store, process, and analyse data to provide knowledge and guide decisions. A crucial part of any surveillance system is image analysis. The communities of computer vision and machine learning has ended up curious about it as of late. This study uses a variety of machine learning and image processing approaches to detect and forecast the malarial illness. In our research, we discovered the potential of deep learning techniques as smart tools with broader applicability for malaria detection, which benefits physicians by assisting in the diagnosis of the condition. We examine the common confinements of deep learning for computer frameworks and organising, counting need of preparing data, preparing overhead, realtime execution, and explain ability, and uncover future inquire about bearings focusing on these restrictions.

研究の動機と目的

• 血液塗抹標本画像からのマラリア検出における機械学習およびディープラーニングモデルの有効性を評価すること。
• データ不足、モデルの解釈可能性、リアルタイム性能といった要因を含め、臨床現場へのディープラーニングモデルの導入を阻害する主な課題を特定すること。
• 特徴量抽出、正確性、一般化性能の観点から、従来の機械学習手法とディープラーニング手法を比較すること。
• 研究の再現可能性と比較可能性を高めるために、公開ベンチマークデータセットが果たす役割を検討すること。
• レーダロジストがディープラーニングツールを日常臨床業務に信頼して統合できるようにするための今後の研究方向性を検討すること。

提案手法

• 血液塗抹標本画像を用いたマラリア検出に応用された機械学習およびディープラーニング手法に関するシステマティックレビュー。
• 特徴量抽出および分類のための主なディープラーニングアーキテクチャとして畳み込みニューラルネットワーク（CNNs）の使用。
• ノイズ低減と入力品質の向上を目的とした、従来の画像処理（例：平均フィルターやガウスフィルター）と機械学習モデルを組み合わせたハイブリッドアルゴリズムの評価。
• データセットの標準化とデータ正規化に注目し、モデルの学習と比較のためのベンチマークとしての公開データセットの分析。
• 臨床意思決定における「ブラックボックス問題」に対処するためのモデルの説明可能性技術の評価。
• 限られたデータセットでも学習時間を短縮し、性能を向上させるために、事前学習モデルのトランスファーラーニングおよびファインチューニングの活用。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワーク（CNNs）を含むディープラーニングモデルは、従来の機械学習手法と比較して、血液塗抹標本画像からのマラリア分類においてどのように異なるか？
• RQ2 実際のマラリア診断におけるディープラーニングモデルの導入を阻害する主な要因として、データ不足やモデルの解釈可能性が挙げられるが、具体的にはどのような課題があるか？
• RQ3 データオーグメンテーションは、マラリア検出における限られた学習データの問題をどの程度軽減できるか？
• RQ4 公開ベンチマークデータセットは、マラリア検出モデルの再現可能性と比較可能性にどのように影響を与えるか？
• RQ5 放射線科医がディープラーニングツールを日常臨床業務に信頼して統合できるようにするために、どのような改善が必要か？

主な発見

• 特に畳み込みニューラルネットワーク（CNNs）を含むディープラーニングモデルは、血液塗抹標本画像からの正確で自動化されたマラリア検出において強く有望な結果を示しており、特徴表現の面で従来の機械学習を上回っている。
• 限られた学習データは依然として主要な制約であり、特にグローバルな文脈を欠いたローカルな画像パッチを用いる場合、過学習のリスクが高まる。
• データオーグメンテーション技術はデータセットのサイズ拡大に役立つが、ノイズの導入や重複するパッチの生成により、過学習のリスクが増加する可能性がある。
• モデルの説明可能性は重要な障壁であり、ディープラーニングモデルはしばしば「ブラックボックス」として扱われ、臨床医の信頼性と臨床応用の拡大を制限している。
• 公開ベンチマークデータセットは、公平な比較と再現可能性を実現するために不可欠であるが、機関間でのデータ収集方法やコード化の不整合が、モデルの一般化性能を阻害している。
• 今後の改善は、マラリアに特化したデータセットでファインチューニングされた事前学習モデルの活用、説明可能性の強化、およびリアルタイム臨床利用を想定したクラウドベースのデプロイメントに注力すべきである。