[논문 리뷰] Accurate Autism Spectrum Disorder prediction using Support Vector Classifier based on Federated Learning (SVCFL)

Ali Mohammadifar, Hasan Samadbin외 1명|arXiv (Cornell University)|2023. 11. 08.

Autism Spectrum Disorder Research인용 수 4

한 줄 요약

이 논문은 지원벡터분류기(SVC)와 탈중앙화된 데이터 훈련을 결합한 페더레이티드 러닝 프레임워크인 SVCFL을 제안하여 자폐 스펙트럼 장애(ASD)를 99%의 정확도로 예측한다. 원시 데이터를 중앙집중화하지 않고 네 가지 다양한 데이터셋을 융합함으로써 기준 모델 대비 13% 향상된 성능을 달성하여, 개인정보 보호가 가능한 조기 ASD 진단을 위한 AI 솔루션을 제공한다.

ABSTRACT

The path to an autism diagnosis can be long and difficult, and delays can have serious consequences. Artificial intelligence can completely change the way autism is diagnosed, especially when it comes to situations where it is difficult to see the first signs of the disease. AI-based diagnostic tools may help confirm a diagnosis or highlight the need for further testing by analyzing large volumes of data and uncovering patterns that may not be immediately apparent to human evaluators. After a successful and timely diagnosis, autism can be treated through artificial intelligence using various methods. In this article, by using four datasets and gathering them with the federated learning method and diagnosing them with the support vector classifier method, the early diagnosis of this disorder has been discussed. In this method, we have achieved 99% accuracy for predicting autism spectrum disorder and we have achieved 13% improvement in the results.

연구 동기 및 목표

• 조기 진단을 위한 AI 기반의 조기 탐지 기술을 활용하여 지연되고 일관성 없는 자폐 스펙트럼 장애(ASD) 진단 문제를 해결하고자 한다.
• 의료 분야에서의 데이터 기밀성과 공유 장벽을 극복하기 위해 민감한 환자 데이터를 중앙집중화하지 않고도 모델을 훈련시킬 수 있는 페더레이티드 러닝을 활용하고자 한다.
• 다양한 탈중앙화된 데이터셋에서 훈련된 지원벡터분류기(SVC)를 통해 ASD의 진단 정확도를 향상시키고자 한다.
• 페더레이티드 훈련을 통해 SVC를 사용할 경우 데이터 기밀성을 유지하면서도 중앙집중화 기반 기준 모델 대비 성능이 뛰어나다는 것을 입증하고자 한다.
• 임상 환경에서 실용적이고 확장 가능한 개인정보 보호 기반의 AI 솔루션을 제공하여 조기 ASD 스크리닝을 가능하게 하고자 한다.

제안 방법

• 제안된 SVCFL 프레임워크는 원시 환자 데이터를 공유하지 않고도 네 개의 독립적인 자폐 스펙트럼 장애 데이터셋 간에 페더레이티드 러닝을 통해 지원벡터분류기(SVC)를 훈련시는 방식을 사용한다.
• 각 클라이언트(기관)는 자체 데이터에서 로컬 SVC 모델을 훈련한 후, 오직 모델 업데이트(가중치 및 기울기)만을 중심 서버에 전송한다.
• 중앙 서버는 이러한 업데이트를 FedAvg(FedAvg 집계)를 사용하여 집계하여 글로벌 모델을 형성하고, 이를 다시 클라이언트들에게 배포하여 추가 훈련을 수행한다.
• 이 방법은 원시 데이터를 전송하지 않으며, 페더레이션 전반에 걸쳐 오직 모델 파rameter만을 기반으로 하여 데이터 기밀성을 보장한다.
• 최종 글로벌 모델은 성능 측정을 위해 중앙집중화된 테스트 세트에서 평가되며, 하이퍼파ram터는 교차검증을 통해 최적화된다.
• 이 접근법은 고차원 공간에서의 SVC의 강건성과 페더레이티드 러닝의 확장성을 활용하여 의료 AI 응용 분야에 적합하다.

실험 결과

연구 질문

• RQ1 원시 환자 데이터를 중앙집중화하지 않고도 페더레이티드 러닝 기반의 SVC 모델이 자폐 스펙트럼 장애(ASD) 예측에서 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 SVCFL 프레임워크의 성능은 동일한 데이터셋에서 중앙집중화된 훈련 기반 기준 모델 대비 어떻게 비교되는가?
• RQ3 다양한 기관 간의 진단에서 페더레이티드 러닝이 모델 일반화 능력과 기밀성 보호에 얼마나 기여하는가?
• RQ4 SVC와 페더레이티드 러닝을 융합함으로써 ASD 스크리닝에서 진단 정확도와 모델 수렴 속도에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 다양한 데이터셋에서 조기 ASD 징후를 높은 민감도와 특이도로 탐지할 수 있는가?

주요 결과

• SVCFL 프레임워크는 네 개의 페더레이티드 데이터셋에서 자폐 스펙트럼 장애(ASD) 예측에 대해 99%의 진단 정확도를 달성하였다.
• 이 방법은 동일한 데이터셋에서 중앙집중화된 데이터로 훈련된 기준 모델 대비 예측 정확도에서 13% 향상을 보였다.
• 페더레이티드 훈련 과정은 원시 환자 데이터가 기관 간에 공유되지 않도록 하여 데이터 기밀성을 유지하였다.
• 다양한 데이터 분포에서도 높은 성능를 유지하여 다양한 임상 환경에서의 강력한 일반화 능력을 보였다.
• 자폐 연구에서 흔한 고차원적이고 소형에서 중간 크기의 의료 데이터셋에서 SVC를 페더레이티드 환경에서 사용한 것이 효과적이었다.
• 결과적으로 SVCFL은 실제 의료 환경에서 확장 가능하고 개인정보 보호가 가능한 조기 ASD 스크리닝을 위한 실현 가능한 솔루션으로 제안된다.