[논문 리뷰] 1D Convolutional neural networks and machine learning algorithms for spectral data classification with a case study for Covid-19

Breno Aguiar Krohling, Renato A Krohling|arXiv (Cornell University)|2023. 01. 24.

Spectroscopy Techniques in Biomedical and Chemical Research인용 수 5

한 줄 요약

이 논문은 분광학에서의 스펙트럼 데이터 분류를 위한 1D 컨volution 신경망(1D-CNN)을 제안한다. 특히 코로나19 바이러스 감염 검출에 적용한다. 사비츠키-골라이 필터링을 전처리로 사용하여, 1D-CNN는 공개된 코로나19 스펙트럼 데이터셋에서 96.5%의 정확도, 98%의 특이도, 94%의 민감도를 달성하였으며, 기존의 기계학습 모델(SVM 및 PLS-DA)을 능가하였다.

ABSTRACT

Machine and deep learning algorithms have increasingly been applied to solve problems in various areas of knowledge. Among these areas, Chemometrics has been benefited from the application of these algorithms in spectral data analysis. Commonly, algorithms such as Support Vector Machines and Partial Least Squares are applied to spectral datasets to perform classification and regression tasks. In this paper, we present a 1D convolutional neural networks (1D-CNN) to evaluate the effectiveness on spectral data obtained from spectroscopy. In most cases, the spectrum signals are noisy and present overlap among classes. Firstly, we perform extensive experiments including 1D-CNN compared to machine learning algorithms and standard algorithms used in Chemometrics on spectral data classification for the most known datasets available in the literature. Next, spectral samples of the SARS-COV2 virus, which causes the COVID-19, have recently been collected via spectroscopy was used as a case study. Experimental results indicate superior performance of 1D-CNN over machine learning algorithms and standard algorithms, obtaining an average accuracy of 96.5%, specificity of 98%, and sensitivity of 94%. The promissing obtained results indicate the feasibility to use 1D-CNN in automated systems to diagnose COVID-19 and other viral diseases in the future.

연구 동기 및 목표

• 화학계측 응용 분야에서의 스펙트럼 데이터 분류에 1D-CNN의 효과를 평가하는 것.
• 공개된 스펙트럼 데이터셋에서 기존 기계학습 알고리즘(SVM, PLS-DA, KNN, MOCHM)과의 성능 비교를 통한 1D-CNN 성능 평가.
• 특히 사비츠키-골라이 필터링을 포함한 데이터 전처리 기법이 분류 성능에 미치는 영향을 조사하는 것.
• 적외선 분광법 데이터를 이용한 자동화, 저비용, 빠른 코로나19 진단 가능성을 입증하는 것.
• 스펙트럼 분석에서 흔히 발생하는 작은 학습 데이터셋에도 모델의 일반화 능력을 평가하는 것.

제안 방법

• 1D-CNN를 7개의 공개 스펙트럼 데이터셋과 인프라레드 분광법으로 확득한 사스-코로나2 바이러스 샘플의 사례 연구 데이터셋에 적용하였다.
• 노이즈 감소 및 신호 품질 향상을 위해 스펙트럼 데이터를 사비츠키-골라이(SG) 필터를 사용해 전처리하였다.
• ReLU 활성화 함수, 배치 정규화, 글로벌 평균 풀링 레이어를 포함한 1D-CNN 모델을 훈련 및 평가하였다.
• 모델의 신뢰성을 확보하기 위해 5겹 교차검증을 사용하여 1D-CNN 성능을 SVM, PLS-DA, KNN, MOCHM와 비교하였다.
• 표준 평가 지표인 정확도, 특이도, 민감도 및 표준편차를 사용하여 성능 평가를 수행하였다.
• 전처리의 영향을 평가하기 위해 아블레이션 연구를 실시하였다.

Figure 1: 1D-CNN architecture made up of convolution, pooling, and fully connected layers.

실험 결과

연구 질문

• RQ1 기존 기계학습 모델(SVM, PLS-DA, KNN)과 비교해 1D-CNN의 스펙트럼 데이터 분류 성능은 어떠한가?
• RQ2 사비츠키-골라이 필터링이 스펙트럼 모델의 분류 정확도 및 안정성에 어떤 영향을 미치는가?
• RQ3 의료 응용 분야에서 흔히 발생하는 작은 스펙트럼 데이터셋에서도 1D-CNN의 일반화 능력은 효과적으로 작용하는가?
• RQ4 실제 사례 연구인 사스-코로나2 스펙트럼 데이터에 대해 1D-CNN의 성능은 기존 방법과 비교해 어떠한가?
• RQ5 1D-CNN는 스펙트럼 서명을 기반으로 한 코로나19 감지에서 민감도와 특이도의 상호 보완적 특성은 어떠한가?

주요 결과

• 1D-CNN는 사스-코로나2 스펙트럼 데이터셋에서 평균 96.5%의 정확도를 기록하여 SVM 및 PLS-DA를 능가하였다.
• 특이도는 98.06%에 도달하였으며, 표준편차 1.86로 음성 케이스를 정확히 식별하는 데 높은 신뢰성을 보였다.
• 민감도는 94.06%로 양성 코로나19 케이스를 강력하게 탐지할 수 있는 능력을 보였으며, 거짓 음성 결과를 최소화하는 데 기여하였다.
• 사비츠키-골라이 전처리와 1D-CNN의 조합이 모델 성능을 크게 향상시키고 결과의 변동성을 감소시켰다.
• 동일한 데이터셋에서 양 등재 등(2021)이 보고한 GA-LDA 방법보다 1D-CNN가 뛰어난 성능을 보였으며, 이는 정확도 91%에 그쳤다.
• 제한된 학습 샘플(111명의 대조군, 70명의 양성군)에도 불구하고 1D-CNN 모델은 잘 일반화되었으며, 작은 데이터셋에 대한 강건성을 보였다.

(a)