[논문 리뷰] AI-based approach for improving the detection of blood doping in sports

Maxx Richard Rahman, Jacob Bejder외 6명|arXiv (Cornell University)|2022. 02. 09.

Hormonal and reproductive studies인용 수 5

한 줄 요약

이 연구는 임상 혈액 검사에서의 혈액학적 파ameters를 사용하여 rhEPO 혈액 도핑을 간접적으로 탐지하는 AI 기반 방법을 제안한다. 통계적 검정을 적용하고 기계학습 모델—특히 XGBoost—를 훈련시어 92%의 정확도와 68%의 민감도를 달성하였으며, 현재의 최고 수준(SOTA) 방법에 비해 핵심 지표에서 뛰어나면서 고비용 직접 실험실 검사에 대한 의존도를 줄였다.

ABSTRACT

Sports officials around the world are facing incredible challenges due to the unfair means of practices performed by the athletes to improve their performance in the game. It includes the intake of hormonal based drugs or transfusion of blood to increase their strength and the result of their training. However, the current direct test of detection of these cases includes the laboratory-based method, which is limited because of the cost factors, availability of medical experts, etc. This leads us to seek for indirect tests. With the growing interest of Artificial Intelligence in healthcare, it is important to propose an algorithm based on blood parameters to improve decision making. In this paper, we proposed a statistical and machine learning-based approach to identify the presence of doping substance rhEPO in blood samples.

연구 동기 및 목표

• 운동선수의 rhEPO 도핑을 간접적이고 비용 효율적인 방법으로 탐지하기 위한 방법 개발, 고비용이고 시간이 오래 소요되는 직접 실험실 검사에 대한 의존도 감소.
• 통계적 가설 검정을 통해 rhEPO 투여로 영향을 받는 가장 구분력 있는 혈액학적 파ameters 식별.
• 기계학습 알고리즘—SVC, 랜덤 포레스트, XGBoost—의 성능 평가 및 비교를 통해 rhEPO 양성 및 위약 샘플을 분류.
• 기존의 최고 수준(SOTA) 간접 방법인 ABPS를 뛰어넘는 탐지 정확도와 민감도 향상.
• 향후 탐지 모델 향상을 위한 데이터 증강 및 딥 러닝의 잠재력 탐색.

제안 방법

• rhEPO 또는 위약을 투여한 39명의 참가자를 대상으로 해수면과 고도에서 혈액 샘플을 채취한 임상 실험 수행.
• rhEPO 사용 여부를 구분하는 데 가장 통계적으로 유의미한 혈액학적 파ameters를 식별하기 위해 99.99% 신뢰수준에서 콜모고로프-스미르노프(K-S) 검정 적용.
• 중복을 줄이기 위해 상관관계가 높은 파ameters를 제거하면서 8개의 최고 성능 파ameters(예: HCT, RET#, OFF-HR) 선정.
• 선택된 파ameters를 기반으로 지원벡터 분류(SVC), 랜덤 포레스트(RF), XGBoost의 세 가지 기계학습 모델 훈련하여 샘플을 rhEPO 양성 또는 음성으로 분류.
• 교차검증 및 SOTA 기준과 비교를 통해 정확도, F1 점수, 민감도, 특이도, AUC 등의 표준 지표로 모델 평가.
• 정밀도 향상을 위해 통계적 임계값과 신뢰수준을 활용하여 파ameters 선정의 탄탄함 확보 및 임의의 양성 반응 감소.

실험 결과

연구 질문

• RQ1 해수면과 고도에서 rhEPO 투여를 받은 운동선수와 대조군 간에 가장 유의미한 통계적 차이를 보이는 혈액학적 파ameters는 무엇인가?
• RQ2 간접 혈액 파ameters를 기반으로 훈련된 기계학습 모델이 현재의 최고 수준(SOTA) ABPS 방법보다 rhEPO 도핑 탐지에서 더 우수한 성능을 보일 수 있는가?
• RQ3 SVC, 랜덤 포레스트, XGBoost와 같은 다양한 기계학습 알고리즘은 rhEPO 탐지에서 민감도, 특이도 및 총 정확도 측면에서 어떻게 비교되는가?
• RQ4 이러한 맥락에서 데이터 품질과 표본 크기의 제약이 AI 기반 탐지 모델의 성능에 얼마나 큰 영향을 미치는가?
• RQ5 분야 전문 지식 기반의 파ameters 선정이 순수 통계적 선정 방식을 뛰어넘어 모델 성능 향상에 기여할 수 있는가?

주요 결과

• XGBoost는 세 기계학습 모델 중에서 가장 높은 정확도(92%)를 기록하였으며, SVC(71%)와 랜덤 포레스트(85%)를 크게 앞서며 유의미한 성능 우위 확보.
• XGBoost는 가장 높은 민감도(68%)를 보였으며, 100% 특이도에서 민감도가 45%에 그친 SOTA인 ABPS 방법을 뛰어넘었다.
• 모델은 AUC 0.90을 달성하여 양성 및 음성 클래스 간 강력한 분리 능력을 보였으며, SOTA의 AUC 0.84를 초월하였다.
• 랜덤 포레스트는 매우 높은 특이도(98%)와 F1 점수(0.92)를 기록하여 정밀도와 재현율 간의 균형이 뛰어나다는 것을 보여주었다.
• K-S 검정은 고도에서 HCT가 주요 구분자이며, 해수면에서는 OFF-HR이 주요 구분자로 나타나, 파ameter의 관련성이 맥락에 따라 달라짐을 시사하였다.
• 강력한 결과에도 불구하고 이 연구는 참가자 수가 39명으로 소규모라는 점에서 제한이 있으며, 향후 성능 향상을 위해 데이터 증강 및 더 큰 데이터셋이 필요하다고 제안된다.