[論文レビュー] Transfer learning and Local interpretable model agnostic based visual approach in Monkeypox Disease Detection and Classification: A Deep Learning insights

Md Manjurul Ahsan, Tareque Abu Abdullah+5 more|arXiv (Cornell University)|Nov 1, 2022

Poxvirus research and outbreaks被引用数 9

ひとこと要約

本研究では、変更を加えたInceptionResNetV2およびMobileNetV2モデルを用いた転移学習ベースのディープラーニングフレームワークを提案し、皮膚病変画像からのマダニ熱の検出に93–99％の正確性を達成した。この手法は、局所的解釈可能性モデルに依存しない説明（LIME）とクラス活性化マッピング（CAM）を統合し、資源が限られた環境における早期のマダニ熱の検出に向けた説明可能で信頼性の高いAI駆動診断を提供する。

ABSTRACT

The recent development of Monkeypox disease among various nations poses a global pandemic threat when the world is still fighting Coronavirus Disease-2019 (COVID-19). At its dawn, the slow and steady transmission of Monkeypox disease among individuals needs to be addressed seriously. Over the years, Deep learning (DL) based disease prediction has demonstrated true potential by providing early, cheap, and affordable diagnosis facilities. Considering this opportunity, we have conducted two studies where we modified and tested six distinct deep learning models-VGG16, InceptionResNetV2, ResNet50, ResNet101, MobileNetV2, and VGG19-using transfer learning approaches. Our preliminary computational results show that the proposed modified InceptionResNetV2 and MobileNetV2 models perform best by achieving an accuracy ranging from 93% to 99%. Our findings are reinforced by recent academic work that demonstrates improved performance in constructing multiple disease diagnosis models using transfer learning approaches. Lastly, we further explain our model prediction using Local Interpretable Model-Agnostic Explanations (LIME), which play an essential role in identifying important features that characterize the onset of Monkeypox disease.

研究の動機と目的

• ディープラーニングと画像処理を用いた、信頼性が高く、低コストで早期のマダニ熱診断が可能なツールの開発。
• マダニ熱画像データセット上で、6つの事前学習済み畳み込みニューラルネットワークモデル（VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19）の性能を転移学習を用いて評価すること。
• 局所的解釈可能性モデルに依存しない説明（LIME）およびクラス活性化マッピング（CAM）を適用することで、モデルの解釈性を向上させること。
• マダニ熱発症を特徴付ける皮膚病変の重要な視覚的特徴を同定し、臨床的妥当性を支援すること。
• 今後のモバイルベースで説明可能なAIを用いた感染症診断の応用の基盤を築くこと。

提案手法

• マダニ熱画像データセット上で、6つの事前学習済み畳み込みニューラルネットワークアーキテクチャ（VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19）を微調整し、転移学習を実施した。
• 予測時の最終畳み込み層における注目領域を可視化するために、グローバル平均プーリング（GAP）およびクラス活性化マッピング（CAM）を採用した。
• 入力画像を変更し特徴の重要度を分析することで、個々の予測に対する局所的説明を生成するために、局所的解釈可能性モデルに依存しない説明（LIME）を適用した。
• しきい値に基づく画像セグメンテーションを用いて、感染した皮膚病変内の注目領域（ROIs）を分離・強調し、視覚的妥当性の検証用マスクを生成した。
• 専門の皮膚科医による評価を通じて、モデルの予測が臨床的に関連性のある特徴を正しく特定しているかを検証した。
• 訓練、検証、テストの各セットにおいて、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モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 転移学習を用いた場合、皮膚病変画像からのマダニ熱検出において、どの事前学習済みディープラーニングモデルが最も高い正確性を達成するか？
• RQ2 LIMEによる説明とクラス活性化マップは、マダニ熱検出におけるモデル予測の解釈と妥当性をどのように向上させるか？
• RQ3 皮膚病変におけるどの視覚的特徴がマダニ熱発症を最も予測可能であり、CAMおよびセグメンテーション技術を用いて信頼性を持って局所化可能か？
• RQ4 特に耐性と一般化性能の観点から、異なるアーキテクチャ間で、提案されたモデルの性能はどのように比較されるか？
• RQ5 LIMEやCAMのような説明可能なAI技術は、感染症診断におけるディープラーニングモデルの信頼性と臨床的有用性を向上させることができるか？

主な発見

• 変更を加えたInceptionResNetV2モデルは、テスト正確度98％を達成し、95％信頼区間が0.94–0.99であり、他のモデルを上回った。
• 変更を加えたMobileNetV2モデルは、最高のテスト正確度99％を達成し、95％信頼区間が0.96–0.99、F1スコアが1.0であった。これは、適合率と再現率が完璧であることを示している。
• LIME分析により、モデルが特徴的な皮膚病変パターン、特に集束した乳頭腫や水疱に注目していることが確認され、臨床的専門知識と一致した。
• クラス活性化マップ（CAM）としきい値に基づくセグメンテーションにより、画像内の感染部位が明確に強調され、モデルの注目が生物学的に関連する特徴に集中していることが検証された。
• ResNet50およびResNet101モデルは最低の性能を示し、テスト正確度は72％、F1スコアは0.68–0.75であった。これは、このデータセット上で一般化能力が低いことを示している。
• 本研究の時点で、ディープラーニングベースのマダニ熱検出に関する先行研究は確認されず、本研究は分野における画期的な取り組みであると位置づけられた。