[논문 리뷰] A Diagnostic Model for Acute Lymphoblastic Leukemia Using Metaheuristics and Deep Learning Methods

Rahmani, Amir Masoud, P. Khoshaght외 5명|arXiv (Cornell University)|2024. 06. 02.

Digital Imaging for Blood Diseases인용 수 4

한 줄 요약

이 연구는 ResNet 기반의 딥 페처 추출, 메타휴리스틱 기반의 특성 선택(예: 이진 개미집단최적화), 그리고 다층퍼셉트론(MLP) 분류기를 활용한 급성 림프성 백혈병(ALL) 진단의 하이브리드 모델을 제안한다. 이 모델은 C-NMC 2019 데이터셋에서 90.71%의 정확도와 95.76%의 민감도를 기록하여 다른 구성보다 뛰어나며, 자동화된 ALL 진단의 강력한 잠재력을 보여준다.

ABSTRACT

Acute lymphoblastic leukemia (ALL) severity is determined by the presence and ratios of blast cells (abnormal white blood cells) in both bone marrow and peripheral blood. Manual diagnosis of this disease is a tedious and time-consuming operation, making it difficult for professionals to accurately examine blast cell characteristics. To address this difficulty, researchers use deep learning and machine learning. In this paper, a ResNet-based feature extractor is utilized to detect ALL, along with a variety of feature selectors and classifiers. To get the best results, a variety of transfer learning models, including the Resnet, VGG, EfficientNet, and DensNet families, are used as deep feature extractors. Following extraction, different feature selectors are used, including Genetic algorithm, PCA, ANOVA, Random Forest, Univariate, Mutual information, Lasso, XGB, Variance, and Binary ant colony. After feature qualification, a variety of classifiers are used, with MLP outperforming the others. The recommended technique is used to categorize ALL and HEM in the selected dataset which is C-NMC 2019. This technique got an impressive 90.71% accuracy and 95.76% sensitivity for the relevant classifications, and its metrics on this dataset outperformed others.

연구 동기 및 목표

• 비만세포 분석에 기반한 수동 ALL 진단의 시간 소모성과 오류 발생 가능성을 해결하기 위해.
• 외래 혈액 및 골수 영상에서 급성 림프성 백혈병을 감지하는 데 있어 정확도와 민감도를 향상시킬 수 있는 자동화된 진단 시스템을 개발하기 위해.
• 향상된 특성 선택 및 분류 성능를 위해 메타휴리스틱 최적화를 딥 러닝과 통합하기 위해.
• 전이 학습 모델과 특성 선택 기법을 다양한 구성에서 평가하고 비교하기 위해.

제안 방법

• ALL 및 건강한 혈액세포 영상에서 고수준 표현을 학습하기 위해 ResNet 기반의 딥 신경망을 특성 추출기로 사용한다.
• 특성 추출 성능 평가를 위해 여러 전이 학습 모델—ResNet, VGG, EfficientNet, DenseNet—을 평가한다.
• 차원 축소 및 관련 특성 선택을 위해 유전 알고리즘, 주성분 분석(PCA), ANOVA, 랜덤 포레스트, 상호정보량, 라소, XGBoost, 분산, 이진 개미집단최적화를 포함한 총 10종의 특성 선택 방법을 적용한다.
• 다양한 분류기 중에서 성능이 가장 뛰어난 것으로 확인된 다층퍼셉트론(MLP) 분류기를 선택한다.
• 모델은 혈액세포 영상 분류를 위한 기준 데이터셋인 C-NMC 2019 데이터셋에서 훈련 및 평가된다.
• 표준 교차 검증 및 정확도, 민감도와 같은 성능 지표를 활용하여 하이퍼파rameter 튜닝 및 모델 검증을 수행한다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 볼 때, 하이브리드 딥 러닝 및 메타휴리스틱 접근이 ALL 진단의 정확도와 민감도를 향상시킬 수 있는가?
• RQ2 어느 조합의 딥 페처 추출기와 특성 선택 기법이 ALL 및 건강한(HEM) 혈액세포를 분류하는 데 최적의 성능을 낼 수 있는가?
• RQ3 메타휴리스틱 최적화된 특성과 함께 사용될 때, MLP 분류기의 성능은 다른 분류기들과 비교해 어떻게 다른가?
• RQ4 다양한 메타휴리스틱 알고리즘이 이 진단 맥락에서 기존의 특성 선택 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 전이 학습과 메타휴리스틱 최적화의 통합이 C-NMC 2019 기준 데이터셋에서 더 나은 일반화 성능을 이끌어낼 수 있는가?

주요 결과

• 제안된 모델은 C-NMC 2019 데이터셋에서 90.71%의 분류 정확도를 기록하여 높은 진단 신뢰성을 입증하였다.
• 모델은 95.76%의 민감도를 기록하여 ALL 환자에서의 비만세포 탐지 능력이 뛰어나다는 것을 나타냈다.
• 정확도와 민감도 모두에서 다른 모든 분류기보다 다층퍼셉트론(MLP) 분류기가 뛰어난 성능을 보였다.
• 이진 개미집단최적화 알고리즘이 테스트된 메타휴리스틱 특성 선택 방법 중 가장 효과적인 편에 속했다.
• 이 특정 진단 과제에서 VGG, EfficientNet, DenseNet보다 ResNet 기반의 특성 추출이 뛰어난 성능을 보였다.
• 메타휴리스틱 특성 선택과 딥 러닝의 통합은 기준 구성보다 모델 성능을 크게 향상시켰다.