[論文レビュー] Measles Rash Image Detection Using Deep Convolutional Neural Network.

Kimberly Glock, Charlie Napier+4 more|arXiv (Cornell University)|May 18, 2020

Virology and Viral Diseases被引用数 2

ひとこと要約

本研究では、1,300枚を超える精査済み皮膚鏡画像から構成されるデータセットを用いてトレーニングされた深層畳み込みニューラルネットワーク（CNN）モデルを提案し、麻疹の発疹を他の皮膚疾患と区別する。モデルは95.2％の正確性、81.7％の感度、97.1％の特異性を達成し、早期かつ正確な検出を可能にすることで、アウトブレイクの抑制を支援する。

ABSTRACT

Measles is extremely contagious and is one of the leading causes of vaccine-preventable illness and death in developing countries, claiming more than 100,000 lives each year. Measles was declared eliminated in the US in 2000. As a result, an increasing number of US healthcare professionals and the public have never seen the disease. Unfortunately, the Measles resurged in the US in 2019 with 1,282 confirmed cases. To assist in diagnosing measles, we created a dataset of more than 1300 images of a variety of skin conditions and utilized deep convolutional neural network to distinguish measles rash from other skin conditions. On our curated image dataset, our model reaches a classification accuracy 95.2%, a sensitivity 81.7%, and specificity 97.1%. Our model can potentially be used to facilitate an accurate and early detection of measles to help contain measles outbreaks.

研究の動機と目的

• 2000年以降に米国で根絶されたことにより、臨床的露出が限られた集団における麻疹の診断の課題に対処すること。
• 麻疹の発疹を他の皮膚疾患と区別できる信頼性の高い画像ベースの診断ツールを開発すること。
• 皮膚鏡画像の高精度で自動分類システムを提供することで、早期のアウトブレイク検出を支援すること。
• トレーニングおよび評価用に、1,300枚を超える多様な皮膚疾患画像から構成されるデータセットを構築および精査すること。
• 深層学習を活用して、麻疹に不慣れな医療提供者による診断の自信を高めること。

提案手法

• 1,300枚を超えるさまざまな皮膚疾患の皮膚鏡画像から構成される精査済みデータセットを用いて、深層畳み込みニューラルネットワーク（CNN）をトレーニングした。
• データセットには、麻疹の発疹および他の非麻疹性皮膚疾患の画像が含まれており、汎化性能を高めるために設計されている。
• モデルトレーニングには、特徴抽出と分類を強化するためのトランスファー学習の原則を用いた標準的なCNNアーキテクチャが使用された。
• 性能評価には、保持されたテストセット上で標準的な指標（正確性、感度、特異性）が用いられた。
• モデルの汎化性能を向上させるとともに過学習を軽減するために、データ拡張および正規化技術が適用された。
• 臨床的変動を反映する多様で現実的な画像分布を用いて、モデルの妥当性が検証された。

実験結果

リサーチクエスチョン

• RQ1 皮膚鏡画像を用いた深層学習モデルは、他の皮膚疾患と区別して麻疹の発疹を正確に分類できるか？
• RQ2 低露出臨床環境における人間の診断正確性と比較して、モデルの性能はいかがなっているか？
• RQ3 臨床的露出が限られた集団において、モデルが麻疹の早期検出をどの程度支援できるか？
• RQ4 モデルは、類似する皮膚疾患と区別する際に、どの程度の感度と特異性を示すか？
• RQ5 モデルは、臨床的または公衆衛生の現場で、アウトブレイク検出を支援するために効果的に展開可能か？

主な発見

• モデルは精査済み画像データセットにおいて95.2％の分類正確性を達成した。
• モデルの感度は81.7％であり、大多数の麻疹症例を正しく同定できる能力を示している。
• 特異度は97.1％に達し、非麻疹疾患を高精度に除外できる能力を示している。
• モデルの性能は、診断支援システムへの統合の可能性を示唆している。
• 結果から、深層学習は低露出環境における早期麻疹検出の価値あるツールとなり得ることが示された。
• 本研究は、感染症診断における皮膚鏡画像分類に深層学習を活用する可能性を実証した。