[論文レビュー] Machine learning applications for COVID-19: A state-of-the-art review

Firuz Kamalov, Aswani Kumar Cherukuri+3 more|arXiv (Cornell University)|Jan 19, 2021

COVID-19 diagnosis using AI被引用数 10

ひとこと要約

この論文は、COVID-19と闘うための機械学習応用分野について包括的かつ最新のレビューを提供しており、予測、医療診断、ドラッグディスカバリ、接触追跡の分野に焦点を当てている。LSTM や CNN といった最先端のモデルが、診断分野で99％以上の正確性と、予測分野で相関係数0.999を達成している一方で、データ不足とモデルの解釈可能性が主な課題として浮き彫りになっている。

ABSTRACT

The COVID-19 pandemic has galvanized the machine learning community to create new solutions that can help in the fight against the virus. The body of literature related to applications of machine learning and artificial intelligence to COVID-19 is constantly growing. The goal of this article is to present the latest advances in machine learning research applied to COVID-19. We cover four major areas of research: forecasting, medical diagnostics, drug development, and contact tracing. We review and analyze the most successful state of the art studies. In contrast to other existing surveys on the subject, our article presents a high level overview of the current research that is sufficiently detailed to provide an informed insight.

研究の動機と目的

• COVID-19に応用された最新の機械学習研究について、タイムリーかつ詳細な概要を提供すること。4つの主要分野をカバーする。
• 予測、診断、ドラッグ開発、接触追跡の分野における最先端の機械学習モデルのパフォーマンスを分析・比較すること。
• 特にディープラーニングと進化的最適化を含む、実世界のパンデミック対応応用において最も効果的なアルゴリズムと技術を特定すること。
• データ不足やモデルの解釈可能性といった、最適なパフォーマンスと一般化を阻害する主な課題を特定すること。
• 今後の機械学習駆動型パンデミック対応研究を加速させるために、政府および機関のデータ共有への関与を提言すること。

提案手法

• arXiv を含む主要な研究リポジトリから得た査読済み論文およびプレプリントの体系的レビューにより、最新のカバレッジを確保する。
• 時系列モデルを用いた予測、CNN とレントゲン/CT画像を用いた診断、変分オートエンコーダーを用いたドラッグディスカバリ、Bluetooth および信号処理を用いた接触追跡の4つの分野に分類し、分析する。
• 相関係数（R）、正確性、適合率、再現率、F1スコアといった標準的な指標を用いて、多様なデータセット上でのモデルパフォーマンスを評価する。
• 予測や診断のような急速に進展する分野において最新の進展を捉えるために、プレプリント研究を含める。
• 空間的・時間的ダイナミクスを統合するために、グラフニューラルネットワークとモビリティデータを予測モデルに応用する。
• 接触追跡における複雑な信号パターンをモデル化するため、トランスフォーマー・アーキテクチャと1次元畳み込みネットワークを応用し、近接検出の精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルが、新規COVID-19感染症例の予測において最高の予測正確性を示すか？
• RQ2 ディープラーニングモデルは、レントゲン画像やCTスキャン画像からのCOVID-19診断において、人間水準の性能にどの程度近づけるか？
• RQ3 変分オートエンコーダーのような生成モデルは、SARS-CoV-2のドラッグおよびワクチン開発をどの程度加速できるか？
• RQ4 Bluetooth信号強度（RSSI）を用いた近接分類において、さまざまな機械学習アルゴリズムのパフォーマンスにどのような差が生じるか？
• RQ5 主な制限要因、特にデータ不足とモデルの解釈可能性が、パンデミック対応における機械学習ソリューションの実世界への展開を妨げる主な要因であるか？

主な発見

• 長短期記憶（LSTM）ネットワークと多層パーセプトロン（MLP）モデルは、複数の国で今後の感染率の予測において相関係数0.999を達成した。
• 畳み込みニューラルネットワーク（CNN）は、胸部レントゲン画像およびCTスキャン画像からのCOVID-19検出において99％を超える正確性を達成し、人間水準の診断性能に近づいた。
• ガウスSVMと1次元畳み込みネットワークは、Bluetooth RSSIを用いた近接検出において他の分類器を上回り、後者では平均で90％の高いパフォーマンスを示した。
• トランスフォーマーに基づくモデルは、ユーザーの移動履歴における長距離依存関係を捉えることで、接触追跡におけるリスク予測を向上させ、有効再生産数を低減した。
• K近傍法（K-NN）の非教師あり学習は、スマートフォンのモビリティデータに基づき5メートルの閾値を用いて、封鎖区域の予測に効果的に使用された。
• 制御された環境下では高いパフォーマンスを示したが、患者データへのアクセスが限定的で、非一様的かつプライバシー制限があるため、一般化や実世界でのスケーラビリティに大きな障害が生じている。