[논문 리뷰] A Review of Uncertainty Estimation and its Application in Medical Imaging

Ke Zou, Zhihao Chen외 4명|arXiv (Cornell University)|2023. 02. 16.

Explainable Artificial Intelligence (XAI)인용 수 6

한 줄 요약

이 논문은 의료 영상 분야의 딥러닝에서 불확실성 추정에 대해 검토하며, 불확실성을 앨레아토릭(데이터 기반)과 엡스티믹(모델 기반) 유형으로 분류하고 몬테카를로 드롭아웃, 베이지안 신경망, 변분 추론 등의 방법을 평가한다. 임상 의사결정 지원 응용 분야에서, 예를 들어 분포 외 또는 저품질 영상을 전문가 검토 대상으로 표시하는 데 활용되며, 불확실성에 대한 기준이 없고 계산 복잡도가 높다는 주요 과제를 밝히고 있다.

ABSTRACT

The use of AI systems in healthcare for the early screening of diseases is of great clinical importance. Deep learning has shown great promise in medical imaging, but the reliability and trustworthiness of AI systems limit their deployment in real clinical scenes, where patient safety is at stake. Uncertainty estimation plays a pivotal role in producing a confidence evaluation along with the prediction of the deep model. This is particularly important in medical imaging, where the uncertainty in the model's predictions can be used to identify areas of concern or to provide additional information to the clinician. In this paper, we review the various types of uncertainty in deep learning, including aleatoric uncertainty and epistemic uncertainty. We further discuss how they can be estimated in medical imaging. More importantly, we review recent advances in deep learning models that incorporate uncertainty estimation in medical imaging. Finally, we discuss the challenges and future directions in uncertainty estimation in deep learning for medical imaging. We hope this review will ignite further interest in the community and provide researchers with an up-to-date reference regarding applications of uncertainty estimation models in medical imaging.

연구 동기 및 목표

• 의료 영상 분야의 딥러닝에서 불확실성 추정 기법에 대한 종합적인 리뷰를 제공하는 것.
• 의료 영상 분석 내에서 앨레아토릭 및 엡스티믹 유형의 불확실성 유형을 분류하고 분석하는 것.
• 향상된 임상 신뢰성 달성을 위한 불확실성 추정을 통합한 최신 딥러닝 모델의 발전을 평가하는 것.
• 불확실성에 대한 기준이 없고 실세계 구현에서 계산 복잡도가 높다는 등의 주요 과제를 특정하는 것.
• 불확실성 추정 분야에서 아직 탐색되지 않은 과제들인 영상 정제, 세기, 탐지 등의 분야에서 향후 연구를 이끌어내는 것.

제안 방법

• 불확실성을 앨레아토릭(데이터 기반)과 엡스티믹(모델 기반) 유형으로 분류하고, 각각 다른 추정 전략을 적용한다.
• 불확실성 정량화를 위한 기법으로 몬테카를로 드롭아웃, 베이지안 신경망, 변분 추론, MCMC 샘플링을 검토한다.
• 엔트로피, 예측 분산, 예측 간격(PI) 추정 등의 지표를 사용해 방법을 평가한다.
• 영상 정렬, 초해상도 복원, 종양 탐지, 영상 복원 등 다양한 의료 영상 작업에서의 불확실성 추정을 분석한다.
• 임상 시나리오에서 불확실성 평가를 위한 근사 기준을 만들기 위해 다중 전문가 애너테이션을 활용하는 것을 제안한다.
• 불확실성 인식 세그멘테이션 및 복원 작업에 대해 확률적 U-Net과 가우시안 프로세스의 사용을 논의한다.

Figure 1: The example of eye disease screening AI system in the open clinical environment. (A) Traditional deep models are often trained with closed-world assumption, i.e , the distribution of test data is assumed to be similar to the training data distribution. (B) However, when deployed in real cl

실험 결과

연구 질문

• RQ1 딥러닝 모델에서 의료 영상 분야에 적용할 때 앨레아토릭 및 엡스티믹 불확실성을 효과적으로 추정하고 구분하는 방법은 무엇인가?
• RQ2 세그멘테이션, 탐지, 복원과 같은 다양한 의료 영상 작업에 가장 효과적인 불확실성 추정 기법은 무엇인가?
• RQ3 불확실성 추정은 암 진단과 같은 안전이 중요한 상황에서 임상 의사결정을 어떻게 향상시키는가?
• RQ4 불확실성에 대한 기준이 없을 때 불확실성 추정 방법을 평가하는 데 있어 주요 과제는 무엇인가?
• RQ5 영상 정제, 세기, 탐지 등 아직 탐색되지 않은 의료 영상 과제에서 불확실성 추정이 어떻게 임상적 가치를 제공할 수 있는가?

주요 결과

• 불확실성 추정은 저품질 또는 분포 외 영상을 식별하여 실세계 임상 적용에서의 안전성을 향상시킨다.
• 몬테카를로 드롭아웃과 베이지안 신경망은 간질성 종양 성장 예측 및 폐 종양 탐지와 같은 작업에서 뛰어난 불확실성 정량화 성능을 보였다.
• 다중 전문가 애너테이션은 불확실성에 대한 기준을 위한 실용적인 근사치를 제공하며, 불확실성 추정 방법의 더 신뢰할 수 있는 평가를 가능하게 한다.
• 계산 복잡도는 실시간 구현에 있어 주요 장벽이며, 특히 MCMC 및 변분 추론와 같은 방법에서 그렇다.
• 영상 정제, 세기, 탐지 등의 과제에서 불확실성 추정은 아직 탐색되지 않아 향후 연구의 핵심 분야로 지적된다.
• 불확실성 추정의 통합은 모델의 신뢰성과 신뢰도를 높이며, 인간이 참여하는 임상 의사결정 지원을 지원한다.

Figure 2: Visualization of the aleatoric (data) and the epistemic (model) uncertainty for the classification model.