[논문 리뷰] A Review on Deep Learning Techniques for the Diagnosis of Novel Coronavirus (COVID-19)

Md. Milon Islam, Fakhri Karray외 2명|arXiv (Cornell University)|2020. 08. 09.

COVID-19 diagnosis using AI참고 문헌 127인용 수 27

한 줄 요약

이 논문은 주로 X-ray 및 CT 스캔을 사용한 의료 영상 기반으로 코로나19를 진단하기 위한 딥러닝 기법을 검토한다. 모델, 데이터셋, 데이터 분할 전략 및 성능 메트릭을 평가하며, 최근의 접근 방식에 대한 분류 체계를 제공하고 자동 코로나19 진단 분야의 과제와 향후 연구 방향을 규명한다.

ABSTRACT

Novel coronavirus (COVID-19) outbreak, has raised a calamitous situation all over the world and has become one of the most acute and severe ailments in the past hundred years. The prevalence rate of COVID-19 is rapidly rising every day throughout the globe. Although no vaccines for this pandemic have been discovered yet, deep learning techniques proved themselves to be a powerful tool in the arsenal used by clinicians for the automatic diagnosis of COVID-19. This paper aims to overview the recently developed systems based on deep learning techniques using different medical imaging modalities like Computer Tomography (CT) and X-ray. This review specifically discusses the systems developed for COVID-19 diagnosis using deep learning techniques and provides insights on well-known data sets used to train these networks. It also highlights the data partitioning techniques and various performance measures developed by researchers in this field. A taxonomy is drawn to categorize the recent works for proper insight. Finally, we conclude by addressing the challenges associated with the use of deep learning methods for COVID-19 detection and probable future trends in this research area. This paper is intended to provide experts (medical or otherwise) and technicians with new insights into the ways deep learning techniques are used in this regard and how they potentially further works in combatting the outbreak of COVID-19.

연구 동기 및 목표

• 의료 영상 기반으로 자동 코로나19 진단을 위한 딥러닝 기반 시스템에 대한 종합적인 개요 제공.
• 코로나19를 CT 및 X-ray 영상에서 탐지하기 위해 개발된 최근의 딥러닝 모델들을 분석하고 분류.
• 이러한 모델을 훈련하고 검증하는 데 사용된 공개 데이터셋을 검토.
• 문헌에서 채택된 데이터 분할 기법과 성능 메트릭을 평가.
• 딥러닝을 활용한 코로나19 진단 분야에서의 주요 과제를 규명하고 향후 연구 방향 제안.

제안 방법

• 의료 영상 기반 코로나19 진단에 응용된 딥러닝 기법에 관한 동료 심사 논문 및 프리프린트를 대상으로 한 체계적 문헌 검토.
• 모델의 아키텍처, 입력 모odal리티(X-ray, CT), 작업(분류, 세그멘테이션, 탐지) 기반으로 모델 분류.
• COVID-19-CT, RSNA Pneumonia Detection Challenge 등 널리 사용된 데이터셋 분석 및 훈련 및 평가에 활용.
• 모델 개발에서 사용된 데이터 분할 전략 평가, 예: k-폴드 교차검증 및 랜덤 분할.
• 정확도, AUC-ROC, 민감도, 특이도 등 다양한 성능 메트릭을 연구 간 비교.
• 모델 유형, 영상 모달리티, 평가 프로토콜 기반으로 최근 연구를 분류하고 정리하는 분류 체계 개발.

실험 결과

연구 질문

• RQ1 의료 영상에서 코로나19를 진단하기 위해 가장 효과적인 딥러닝 아키텍처는 무엇인가?
• RQ2 훈련 및 검증을 위한 코로나19 탐지 모델에 가장 흔히 사용되는 공개 데이터셋은 무엇인가?
• RQ3 다양한 데이터 분할 기법은 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ4 분야에서 표준으로 사용되는 성능 메트릭은 무엇이며, 연구 간 비교 시 어떻게 다를 수 있는가?
• RQ5 임상적 코로나19 진단을 위한 딥러닝 모델 구현 시 주요 과제와 제약 조건은 무엇인가?

주요 결과

• 컨볼루션 신경망(CNNs), 특히 VGG, ResNet, DenseNet, DenseNet-201 등의 전이학습 기반 모델이 X-ray 및 CT 스캔에서 코로나19를 분류하는 데 높은 성능을 보였다.
• COVID-19-CT 데이터셋은 가장 흔히 사용된 벤치마크 중 하나였으며, 여러 연구에서 AUC 값이 0.95를 초과하는 결과를 보고했다.
• 전이학습은 특히 훈련 데이터가 제한된 경우 모델 성능을 크게 향상시켰다.
• 연구 간 성능에 큰 격차가 있었으며, AUC 값은 모델 아키텍처와 데이터 품질에 따라 0.85에서 0.98 이상으로 변동했다.
• 데이터 불균형과 표준화된 평가 프로토콜 부족은 재현성에 영향을 미치는 주요 과제로 규명되었다.
• 본 리뷰는 모델의 강건성과 임상 적용 가능성을 향상시키기 위해 더 크고 다양하며 표준화된 데이터셋이 필요하다고 강조했다.