[논문 리뷰] A Novel Deep Learning based Model for Erythrocytes Classification and Quantification in Sickle Cell Disease

Manish S. Bhatia, Balram Meena외 6명|arXiv (Cornell University)|2023. 05. 02.

Hemoglobinopathies and Related Disorders인용 수 4

한 줄 요약

이 연구는 낙관성 빈혈 환자에서 428장의 원시 현미경 영상에서 유도된 10,377장의 개별 세포 영상 데이터셋을 활용하여, 디스크세포, 타원형, 낙관성 세포의 세 가지 적혈구 형태를 분류하고 정량화하기 위해 맞춤형 18층 딥 컨volution 네트워크(CNN)를 제안한다. 모델은 81%의 정확도를 기록하며 기준 모델들을 능가하며, 임상적 의사결정 지원을 위한 해석 가능성 향상을 위해 SHAP와 LIME을 활용한다.

ABSTRACT

The shape of erythrocytes or red blood cells is altered in several pathological conditions. Therefore, identifying and quantifying different erythrocyte shapes can help diagnose various diseases and assist in designing a treatment strategy. Machine Learning (ML) can be efficiently used to identify and quantify distorted erythrocyte morphologies. In this paper, we proposed a customized deep convolutional neural network (CNN) model to classify and quantify the distorted and normal morphology of erythrocytes from the images taken from the blood samples of patients suffering from Sickle cell disease ( SCD). We chose SCD as a model disease condition due to the presence of diverse erythrocyte morphologies in the blood samples of SCD patients. For the analysis, we used 428 raw microscopic images of SCD blood samples and generated the dataset consisting of 10, 377 single-cell images. We focused on three well-defined erythrocyte shapes, including discocytes, oval, and sickle. We used 18 layered deep CNN architecture to identify and quantify these shapes with 81% accuracy, outperforming other models. We also used SHAP and LIME for further interpretability. The proposed model can be helpful for the quick and accurate analysis of SCD blood samples by the clinicians and help them make the right decision for better management of SCD.

연구 동기 및 목표

• 낙관성 빈혈(Sickle Cell Disease, SCD) 혈액 샘플에서 비정상적인 적혈구 형태를 자동으로 분류하고 정량화하기 위한 딥 러닝 모델을 개발하는 것.
• 수작업으로 적혈구 형태를 평가하는 데서 발생하는 시간 소모와 관찰자 간 변동성 문제를 해결하는 것.
• 임상의가 SCD의 조기 진단과 치료 계획 수립을 지원할 수 있는 확장 가능하고 해석 가능한 AI 시스템을 구축하는 것.
• 딥 러닝의 활용을 SCD를 넘어서, 형태 변화를 보이는 다른 혈액질환으로 확장할 수 있도록 하는 것.

제안 방법

• 디스크세포, 타원형, 낙관성 세포의 세 가지 형태를 다중 분류하기 위해 맞춤형 18층 딥 컨volution 네트워크(CNN)를 설계하였다.
• 원시 현미경 영상의 전처리 및 개별 적혈구를 분리하기 위한 인스턴스 세그멘테이션을 수행하여, 428장의 원본 영상에서 10,377장의 개별 세포 영상으로 구성된 데이터셋을 생성하였다.
• 전이 학습 모델을 포함한 9종의 딥 네트워크 아키텍처를 평가하였으며, 비교 기준으로 조정된 LightGBM을 사용하였다.
• 예측의 해석 가능성을 높이기 위해 SHAP와 LIME을 활용하여 모델의 예측을 설명하고 임상적 신뢰도 및 투명도를 향상시켰다.
• 일반화 능력 향상과 클래스 불균형 완화를 위해 데이터 증강 및 정규화 기법을 적용하였다.
• 모델는 데이터셋의 70-15-15 분할을 이용해 훈련 및 검증하였으며, 정확도, 정밀도, 재현도, F1 점수 등의 평가 지표를 사용하였다.

Figure 1: Annotated image sample of Sickle RBCs

실험 결과

연구 질문

• RQ1 맞춤형 딥 CNN이 낙관성 빈혈 환자 혈액 샘플에서 디스크세포, 타원형, 낙관성 세포의 세 가지 구분 가능한 적혈구 형태를 효과적으로 분류하고 정량화할 수 있는가?
• RQ2 제안된 딥 CNN 모델은 기존의 기준 모델 및 LightGBM에 비해 적혈구 형태 분류 성능에서 어떻게 비교되는가?
• RQ3 SHAP와 LIME을 통해 모델의 예측 해석 가능성은 얼마나 향상되어 임상적 활용에 적합한가?
• RQ4 이 모델은 SCD를 초월하여 다른 혈액질환에서의 형태 변화 병변으로까지 일반화될 수 있는가?

주요 결과

• 제안된 18층 딥 CNN은 적혈구 형태 분류에서 81%의 정확도를 기록하였으며, 모든 기준 모델과 조정된 LightGBM을 능가하였다.
• 모델은 디스크세포, 타원형, 낙관성 세포의 세 클래스 모두에서 뛰어난 정밀도, 재현도 및 F1 점수를 보이며 다중 분류 성능이 우수함을 입증하였다.
• SHAP와 LIME 분석 결과, 모델이 세포 형태, 곡률, 세포막의 비정상성과 같은 형태적 특징에 주로 초점을 맞추고 있음을 확인하였으며, 이는 임상 전문 지식과 일치하였다.
• 10,377장의 개별 세포 영상으로 구성된 데이터셋은 향후 적혈구 형태 분류 연구에 유용한 애너테이션된 자료로 가치가 있다.
• 428장의 원시 영상으로 제한된 데이터셋에서도 높은 성능를 기록함으로써, 더 큰 다양성과 규모의 데이터로 확장 가능성이 높음을 시사한다.
• 이 연구는 딥 러닝이 수작업으로 적혈구 형태 평가에 소요되는 시간과 주관성을 크게 줄여주며, SCD에서 더 빠른 임상적 결정을 지원할 수 있음을 입증하였다.

Figure 2: The Proposed Framework