[論文レビュー] Towards an Automatic Diagnosis of Peripheral and Central Palsy Using Machine Learning on Facial Features

C. V. Vletter, Hendrico L Burger+3 more|arXiv (Cornell University)|Jan 27, 2022

Facial Nerve Paralysis Treatment and Research被引用数 5

ひとこと要約

本研究では、68個の顔面ランドマークを用いた画像から、SVMを用いた場合に最大85.1%の正確さを達成する機械学習的手法を提案し、ガウス型ナイーブベイズを用いた場合に80.7%の正確さを達成した。最も優れた性能を示したモデル、ガウス型ナイーブベイズは、中枢性麻痺の診断に不可欠な早期脳卒中スクリーニングの観点から、80%の感受性を達成した。さらに、データセットの拡張を334枚の画像にすることで、95%の感受性に到達できると推定された。

ABSTRACT

Central palsy is a form of facial paralysis that requires urgent medical attention and has to be differentiated from other, similar conditions such as peripheral palsy. To aid in fast and accurate diagnosis of this condition, we propose a machine learning approach to automatically classify peripheral and central facial palsy. The Palda dataset is used, which contains 103 peripheral palsy images, 40 central palsy, and 60 healthy people. Experiments are run on five machine learning algorithms. The best performing algorithms were found to be the SVM (total accuracy of 85.1%) and the Gaussian naive Bayes (80.7%). The lowest false negative rate on central palsy was achieved by the naive Bayes approach (80% compared to 70%). This condition could prove to be the most severe, and thus its sensitivity is another good way to compare algorithms. By extrapolation, a dataset size of 334 total pictures is estimated to achieve a central palsy sensitivity of 95%. All code used for these machine learning experiments is freely available online at https://github.com/cvvletter/palsy.

研究の動機と目的

• 末梢性および中枢性顔面麻痺を区別する自動的かつ頑健な機械学習システムの開発。両者は臨床的に類似しているが、重症度や緊急性に差がある。
• 以前の手動で定義されたしきい値に依存するルールベースの分類システムを、データ駆動型で汎用性のある機械学習アプローチに置き換えること。
• 中枢性麻痺の診断感受性を向上させること。これは脳卒中スクリーニングにおいて極めて重要であり、不均衡で小規模なデータセット上でモデル性能を最適化することを目的とする。
• 顔面ランドマークの異なる特徴表現を用いて複数の機械学習アルゴリズムを評価し、最も効果的な分類戦略を同定すること。

提案手法

• 本研究では、203枚の画像を含むPaldaデータセットを用いた。画像は103例の末梢性麻痺、40例の中枢性麻痺、60例の健常者から構成され、それぞれ68個の顔面ランドマークがアノテーションされている。
• SVM、ランダムフォレスト、ガウス型ナイーブベイズ、k-NN、決定木の5つの機械学習アルゴリズムを、小規模データに対して頑健性を確保するためのLeave-One-Out Cross-Validation（LOOCV）を用いて訓練および評価した。
• 3種類の特徴表現をテストした：元のランドマーク座標（ランドマークデータセット）、導出された幾何的指標（メトリクスデータセット）、あごのランドマークを除いたバージョン（ノーチンデータセット）。
• モデルの性能は、正確さ、中枢性麻痺の感受性、および偽陰性率を用いて評価され、95%の感受性に達するための必要データサイズを外挿予測するために曲線フィッティングが用いられた。
• 各アルゴリズムのハイパーパrameterを最適化し、検証性能に基づいて最も優れたモデルを選定した。
• 線形、多項式、または曲線フィッティング回帰モデルを提案し、望ましい正確さおよび感受性を達成するための必要データサイズを予測する。

実験結果

リサーチクエスチョン

• RQ1 顔面ランドマークデータを用いた機械学習モデルは、既存のルールベースのシステムを上回る性能を示せるか？
• RQ2 どの機械学習アルゴリズムが最高の正確さと中枢性麻痺に対する最高の感受性を達成するか？中枢性麻痺は最も臨床的に緊急性の高い状態である。
• RQ3 特にあごのランドマークを除外することで、分類性能にどのような影響が生じるか？
• RQ4 最高性能を示すモデルを用いて、中枢性麻痺の診断で95%の感受性を達成するためにはどの程度のデータセットサイズが必要か？
• RQ5 性能曲線を信頼性を持って外挿し、データ拡張の影響をモデルの感受性に予測できるか？

主な発見

• 多項式カーネル（次数4）を用いたSVMが、ランドマークデータセットで85.1%の最高全体正確さを達成した。これは、メトリクスデータセットで100個の推定器を用いたランダムフォレストの性能と同等であった。
• ガウス型ナイーブベイズモデルが、中枢性麻痺に対して80%の感受性を示し、SVMの70%およびランダムフォレストの60%を上回った。
• あごのランドマークを除外することで、6つのアルゴリズムのうち5つで分類正確さが向上した。これは、あごの特徴がノイズを引き起こすか、識別能を低下させる可能性があることを示唆している。
• 曲線フィッティングの結果、ガウス型ナイーブベイズモデルを用いて中枢性麻痺の診断で95%の感受性に到達するには、334枚の画像のデータセットが必要であると判明した。
• すべてのモデルが健常者を正しく分類したため、健常者クラスに対する特異度が非常に高いことが示された。
• メトリクスデータセットで使用されたランダムフォレストモデルは、中枢性麻痺のケースに対して高い誤差率を示しており、末梢性麻痺のケースに過剰適合している兆候が見られた。