[논문 리뷰] A Survey on the Use of AI and ML for Fighting the COVID-19 Pandemic

Muhammad Nazrul Islam, Toki Tahmid Inan외 4명|arXiv (Cornell University)|2020. 08. 03.

COVID-19 diagnosis using AI참고 문헌 23인용 수 7

한 줄 요약

이 체계적 문헌 고찰은 코로나19 팬데믹과 대응하기 위해 적용된 35개의 인공지능 및 기계학습 연구를 분석하여 진단, 예측, 치료 지원 분야에서의 방법론, 데이터 유형, 알고리즘 및 성능을 평가한다. 질병 탐지, 유행 예측, 중환자실 투여, 약물/백신 개발 분야에서의 핵심 응용 사례를 규명하면서도, 데이터 프라이버시, 글로벌 확장성, 실시간 임상 통합 부족 등의 연구 격차를 지적하며 향후 AI 기반 팬데믹 대응 연구를 위한 종합적 참고자료를 제공한다.

ABSTRACT

Artificial intelligence (AI) and machine learning (ML) have made a paradigm shift in health care which, eventually can be used for decision support and forecasting by exploring the medical data. Recent studies showed that AI and ML can be used to fight against the COVID-19 pandemic. Therefore, the objective of this review study is to summarize the recent AI and ML based studies that have focused to fight against COVID-19 pandemic. From an initial set of 634 articles, a total of 35 articles were finally selected through an extensive inclusion-exclusion process. In our review, we have explored the objectives/aims of the existing studies (i.e., the role of AI/ML in fighting COVID-19 pandemic); context of the study (i.e., study focused to a specific country-context or with a global perspective); type and volume of dataset; methodology, algorithms or techniques adopted in the prediction or diagnosis processes; and mapping the algorithms/techniques with the data type highlighting their prediction/classification accuracy. We particularly focused on the uses of AI/ML in analyzing the pandemic data in order to depict the most recent progress of AI for fighting against COVID-19 and pointed out the potential scope of further research.

연구 동기 및 목표

• 인공지능 및 기계학습이 코로나19 팬데믹의 진단, 예측 및 관리에 어떤 역할을 하는지 체계적으로 평가하기 위해.
• 코로나19 맥락에서 AI/ML 연구에서 사용된 데이터 유형, 양, 출처를 분석하기 위해.
• 코로나19 관련 분류 및 예측 작업에서 다양한 기계학습 및 딥러닝 알고리즘의 성능을 비교하기 위해.
• 데이터 프라이버시 및 임상 통합을 포함한 AI 응용 분야의 팬데믹 대응에서의 연구 격차와 향후 방향성 규명하기 위해.
• 연구자 및 보건 전문가가 팬데믹 관리에서 효과적인 AI 기법을 이해하고 활용할 수 있도록 체계적인 참고자료 제공하기 위해.

제안 방법

• IEEE Xplore, Springer Link, ACM 디지털 라이브러리, ScienceDirect, Google Scholar 등의 데이터베이스를 활용해 체계적 문헌 고찰을 수행하였다.
• AI/ML 및 코로나19와의 관련성 기준으로 634개의 초도 논문을 선별하여 35개의 관련 연구로 필터링하는 엄격한 포함·배제 절차를 적용하였다.
• 연구의 목적(예: 진단, 예측, 중환자실 관리), 데이터 유형(예: 의료 영상, 게놈, 역학적 데이터), 지리적 맥락 기준으로 연구를 분류하였다.
• 기계학습 및 딥러닝 알고리즘(예: XGBoost, ResNet, SVM, 랜덤 포레스트)을 데이터 유형에 대응시키고 정확도, AUC, F1-스코어를 평가하였다.
• 표준화된 평가 지표를 사용해 연구 간 모델 성능을 비교하였으며, 분류 및 회귀 결과에 중점을 두었다.
• 자주 나타나는 과제로는 데이터 부족, 모델의 해석 가능성 부족, 임상 환경에서의 실시간 구현 부족을 규명하였다.

실험 결과

연구 질문

• RQ1 코로나19의 진단이나 예측에 가장 효과적인 인공지능 및 기계학습 기법은 무엇이며, 그 성능 지표는 무엇인가?
• RQ2 CT 스캔, 게놈 서열, 역학적 데이터 등의 다양한 데이터 유형이 팬데믹 대응에서 AI 모델의 선택과 성능에 어떤 영향을 미치는가?
• RQ3 현재 코로나19에 대한 AI 응용 분야에서의 주요 연구 격차는 무엇인가, 특히 데이터 프라이버시, 글로벌 확장성, 임상 적용 측면에서?
• RQ4 AI는 팬데믹 위기 시 중환자실 혼잡과 인력 부족 상황에서 의료 시스템을 어떻게 지원할 수 있는가?
• RQ5 AI는 SARS-CoV-2와 같은 신종 감염병에 대한 약물 및 백신 개발을 어떻게 가속화할 수 있는가?

주요 결과

• 코로나19 진단에 가장 효과적인 모델들은 흉부 CT 스캔과 X레이를 기반으로 한 딥러닝 기반 모델을 통해 90% 이상의 분류 정확도를 달성하였다.
• 여러 연구에서 XGBoost와 ResNet 기반 모델이 SVM 및 랜덤 포레스트와 같은 전통적 알고리즘보다 정확도와 AUC에서 뛰어난 성능을 보였다.
• 증상, 인구통계학적 정보, 환경 요인 등의 다중 모odal 데이터를 기반으로 훈련한 AI 모델은 지역 유행 추세 예측 정확도가 향상되었다.
• 일부 연구에서는 AI가 중환자실 입원 위험을 AUC 값 0.85 초과로 예측하여 더 나은 투여 및 자원 배분이 가능함을 입증하였다.
• 로제타와 퀴어크와 같은 AI 기반 약물 발견 플랫폼은 후보 분자의 걸러내는 데 소요되는 시간을 크게 단축시켜 임상 전 연구를 가속화하였다.
• 강력한 기술적 성능에도 불구하고 대부분의 모델들이 데이터 프라이버시, 해석 가능성, 규제 승인 문제로 인해 실제 임상 현장에 도입되지 못하고 있었다.