[논문 리뷰] AI-Skin : Skin Disease Recognition based on Self-learning and Wide Data Collection through a Closed Loop Framework

Min Chen, Ping Zhou외 4명|arXiv (Cornell University)|2019. 06. 05.

Cutaneous Melanoma Detection and Management참고 문헌 37인용 수 6

한 줄 요약

이 논문은 엣지 및 클라우드 시스템을 통해 자가학습과 광범위한 데이터 수집을 활용하여 실시간으로 개인화된 피부질환 진단을 수행하는 폐쇄형 피드백 AI-Skin 프레임워크를 제안한다. 정보 엔트로피 기반 데이터 필터링과 모듈형 딥러닝 인터페이스를 활용하여, 전체 시스템은 1.2초 평균 엣지 계산 시간을 기록하며 1초 이내의 하위초 단위 종단 간 지연을 달성하고 다양한 피부 유형과 이미지 해상도에서 높은 분류 정확도를 유지한다.

ABSTRACT

There are a lot of hidden dangers in the change of human skin conditions, such as the sunburn caused by long-time exposure to ultraviolet radiation, which not only has aesthetic impact causing psychological depression and lack of self-confidence, but also may even be life-threatening due to skin canceration. Current skin disease researches adopt the auto-classification system for improving the accuracy rate of skin disease classification. However, the excessive dependence on the image sample database is unable to provide individualized diagnosis service for different population groups. To overcome this problem, a medical AI framework based on data width evolution and self-learning is put forward in this paper to provide skin disease medical service meeting the requirement of real time, extendibility and individualization. First, the wide collection of data in the close-loop information flow of user and remote medical data center is discussed. Next, a data set filter algorithm based on information entropy is given, to lighten the load of edge node and meanwhile improve the learning ability of remote cloud analysis model. In addition, the framework provides an external algorithm load module, which can be compatible with the application requirements according to the model selected. Three kinds of deep learning model, i.e. LeNet-5, AlexNet and VGG16, are loaded and compared, which have verified the universality of the algorithm load module. The experiment platform for the proposed real-time, individualized and extensible skin disease recognition system is built. And the system's computation and communication delay under the interaction scenario between tester and remote data center are analyzed. It is demonstrated that the system we put forward is reliable and effective.

연구 동기 및 목표

• 기존 피부질환 진단 시스템이 정적이고 중심화된 데이터셋에 크게 의존하며 개인화 기능이 부족한 점을 보완한다.
• 사용자 및 원격 의료 기관으로부터 지속적인 데이터 수집을 통합하여 폐쇄형 정보 흐름을 구현함으로써 실시간이고 개인화된 진단을 가능하게 한다.
• 정보 엔트로피 기반 알고리즘을 사용해 엣지 노드에서 저품질 데이터를 사전 필터링하여 네트워크 및 계산 부담을 감소시킨다.
• 다양한 딥러닝 모델(LeNet-5, AlexNet, VGG16)과 호환되는 모듈형 알고리즘 인터페이스를 설계하여 확장성을 확보한다.
• 실제 환경에서의 모바일 촬영 피부 이미지를 활용한 종단 간 지연 분석 및 실증 테스트를 통해 시스템 신뢰성을 검증한다.

제안 방법

• 사용자 기기와 원격 의료 데이터 센터 간 폐쇄형 데이터 흐름을 구현하여, 사용자의 피부 이미지, 건강 데이터, 환경 요인 및 모델 파라미터를 지속적으로 업데이트한다.
• 정보 엔트로피 기반 알고리즘을 활용해 엣지 노드에서 사전 처리 및 고가치 데이터를 선별하는 데이터 세트 필터 알고리즘을 설계하여 데이터 품질과 모델 학습 효율성을 향상시킨다.
• 다양한 딥러닝 모델(LeNet-5, AlexNet, VGG16)의 동적 통합 및 비교를 지원하는 플러그인 스타일의 알고리즘 로드 모듈을 구현하여 모델 배포의 유연성을 확보한다.
• 엣지 컴퓨팅을 활용해 현지에서 초기 이미지 분류를 수행하여 전송 부담과 통신 지연을 감소시킨다.
• 클라우드 기반의 모델 훈련 및 개선을 통합하여, 시간이 지남에 따라 자가학습 및 지속적인 모델 향상을 가능하게 한다.
• 2Mbps 대역폭 조건에서 실제 환경 조건 하에서 종단 간 지연 분석을 수행하여 계산 지연과 전송 지연을 모두 측정한다.

실험 결과

연구 질문

• RQ1 지속적인 사용자 및 의료 기관 피드백을 통한 폐쇄형 시스템은 피부질환 진단의 정확도와 개인화 수준을 어떻게 향상시킬 수 있는가?
• RQ2 엣지 노드에서 정보 엔트로피 기반 데이터 필터링 알고리즘이 모델 학습 성능을 유지하면서 데이터 전송 부담을 얼마나 줄일 수 있는가?
• RQ3 실제 통신 조건에서 엣지-클라우드 협업 기반의 실시간 피부질환 진단 시스템의 종단 간 지연 성능은 어떠한가?
• RQ4 이미지 해상도와 압축은 모바일 기반 피부질환 탐지 시스템에서 분류 정확도와 계산 지연에 어떤 영향을 미치는가?
• RQ5 모듈형 알고리즘 인터페이스는 다양한 딥러닝 모델(예: LeNet-5, AlexNet, VGG16)을 의료 AI 프레임워크에서 원활하게 통합하고 비교할 수 있는가?

주요 결과

• AlexNet 모델 기준으로 평균 엣지 계산 지연은 1.2초이며, 전체 종단 간 통신 지연(계산 + 전송)은 약 1초 수준이다.
• AlexNet 모델 기준 총 통신 지연의 표준편차는 75ms이며, LeNet-5 모델 기준으로는 63ms로, 안정적이고 예측 가능한 성능을 보였다.
• 일반적인 기대와는 반대로 고해상도 이미지(1233634바이트)가 저해상도 이미지(4830바이트)보다 엣지에서 더 빠르게 처리되었으며, 이는 모델 최적화 및 특징 추출 효율성 때문일 가능성이 높다.
• 흑두나 피부 반점 등의 피부질환에 대해 이미지 해상도에 관계없이 분류 정확도가 높게 유지되며(1.0 검출 확률), 압축에 대한 강건성을 입증하였다.
• 시스템은 강력한 확장성을 보이며, 통합 알고리즘 로드 인터페이스를 통해 LeNet-5, AlexNet, VGG16의 세 가지 서로 다른 딥러닝 모델을 성공적으로 지원하고 비교할 수 있었다.
• 폐쇄형 프레임워크는 지속적인 자가학습과 데이터 진화를 가능하게 하여, 사용자 및 의료 데이터로부터의 반복 피드백을 통해 시간이 지남에 따라 모델의 적응성과 개인화 수준을 향상시켰다.