[論文レビュー] Neurology-as-a-Service for the Developing World

Tejas Dharamsi, Payel Das+8 more|arXiv (Cornell University)|Nov 16, 2017

EEG and Brain-Computer Interfaces参考文献 4被引用数 3

ひとこと要約

本論文は、発展途上国における非専門医向けに、自動的で低リソースなEEG解析を可能にするクラウドベースのディープラーニングフレームワーク「Neurology-as-a-Service」を提案する。スペクトログラムに変換されたEEGデータに3次元畳み込みニューラルネットワーク（3DCNN）を適用し、ランダムオプティマイザを用いた自動的ハイパーパramータチューニングにより、実際の運動タスクと想起された運動タスクの分類において63.4％の精度を達成。これはSVMおよび手作業で設計されたCNNベースラインを上回り、最小限の人的介入でスケーラブルでコスト効率の良いEEG診断ソリューションの有効性を示している。

ABSTRACT

Electroencephalography (EEG) is an extensively-used and well-studied technique in the field of medical diagnostics and treatment for brain disorders, including epilepsy, migraines, and tumors. The analysis and interpretation of EEGs require physicians to have specialized training, which is not common even among most doctors in the developed world, let alone the developing world where physician shortages plague society. This problem can be addressed by teleEEG that uses remote EEG analysis by experts or by local computer processing of EEGs. However, both of these options are prohibitively expensive and the second option requires abundant computing resources and infrastructure, which is another concern in developing countries where there are resource constraints on capital and computing infrastructure. In this work, we present a cloud-based deep neural network approach to provide decision support for non-specialist physicians in EEG analysis and interpretation. Named `neurology-as-a-service,' the approach requires almost no manual intervention in feature engineering and in the selection of an optimal architecture and hyperparameters of the neural network. In this study, we deploy a pipeline that includes moving EEG data to the cloud and getting optimal models for various classification tasks. Our initial prototype has been tested only in developed world environments to-date, but our intention is to test it in developing world environments in future work. We demonstrate the performance of our proposed approach using the BCI2000 EEG MMI dataset, on which our service attains 63.4% accuracy for the task of classifying real vs. imaginary activity performed by the subject, which is significantly higher than what is obtained with a shallow approach such as support vector machines.

研究の動機と目的

• 発展途上国における神経内科医およびEEG解釈の専門知識の深刻な不足に対処すること。
• 従来のテレEEGおよび現地でのEEG解析が要請する高コストとインfra構築の負担を軽減すること。
• クラウドベースのディープラーニングを用いて、スケーラブルで自動的かつ低リソースなEEG分類システムを開発すること。
• 自動的ハイパーパramータ最適化により、特徴工学およびモデルアーキテクチャ選定における人的介入を最小限に抑えること。
• AI駆動の意思決定支援を活用して、非専門医の医師がより正確なEEGに基づく診断を下せるようにすること。

提案手法

• 短時間フーリエ変換（Hanning窓、NFFT = 128）を用いて、64チャネル、160 Hzの生EEG信号を3次元スペクトログラム表現に変換する。
• バンドパスフィルタ（3–30 Hz）を適用し、2.5 Hzの周波数帯毎に相対対数パワーを計算してパワースペクトルを正規化する。
• 得られた3次元テンソル（電極×周波数帯×時間セグメント）を3次元畳み込みニューラルネットワーク（3DCNN）に供給する。
• ハイパーパramータ（例：層数、フィルタ数、フィルタサイズ、学習率、ドロップアウト率）の定義された範囲内でランダムオプティマイザを用い、最適なモデルを自動的に選択する。
• インfra要件を最小限に抑えるために、IBMの「Deep Learning as a Service」クラウドプラットフォームを活用してモデルのトレーニングとデプロイを実施する。
• BCI2000 EEG MMIデータセットの103名の被験者から得た17,232件のEEG試行データを7:3のトレーニング対テスト分割で使用する。

実験結果

リサーチクエスチョン

• RQ1 クラウドベースのディープラーニングシステムは、特徴工学およびモデル設計における人的介入を最小限に抑えつつ、EEG分類を自動化できるか？
• RQ2 ランダム最適化による自動的ハイパーパramータチューニングは、手作業で設計された3DCNNアーキテクチャと比較して、EEG分類精度にどのように影響するか？
• RQ3 低コストでスケーラブルなディープラーニングフレームワークは、リソース制限のある環境における非専門医の医師にとって臨床的に有用な性能を達成できるか？
• RQ4 本システムは、EEGデータを用いて実際の運動タスクと想起された運動タスクを区別する性能はいかほどか？
• RQ5 従来の機械学習手法（SVMおよびPCAベースの分類）と比較して、本フレームワークはEEGデータの分類性能にどのように差をつけるか？

主な発見

• 提案されたNeurology-as-a-Serviceフレームワークは、実際の運動タスクと想起された運動タスクの分類において63.4％の分類精度を達成し、標準SVM（56％）および手作業で設計された3DCNN（58.21％）を顕著に上回った。
• 最適なモデルアーキテクチャは、61および69のフィルタを有する2つの畳み込み層（サイズ5×5および8×8）と、フィルタサイズ5×5、ストライド2のマックスプーリング層から構成され、学習率は0.001であった。
• 自動的ハイパーパramータチューニングプロセスは750の構成を探索し、63.4％の検証精度を持つモデルを返した。これにより、最適化パイプラインの有効性が裏付けられた。
• 最適化されたモデルのトレーニング精度は95.39％であり、これは手作業で設計された3DCNNと比較してより良好な一般化性能を示し、過学習が抑制されていることを示唆している。
• システムは複数の高性能なモデル構成を生成し、上位5つのモデルは61.9％から63.4％の精度を達成しており、ハイパーパramータ探索の堅牢性が裏付けられた。
• 本フレームワークは、自動的プリプロセッシングおよびモデル選定に依存しているため、技術的熟練を要しない低リソース環境への展開が可能である。