[논문 리뷰] Algorithms for screening of Cervical Cancer: A chronological review

Yasha Singh, Dhruv Srivastava외 2명|arXiv (Cornell University)|2018. 11. 02.

AI in cancer detection참고 문헌 11인용 수 11

한 줄 요약

이 논문은 2000년에서 2018년 사이에 자동 경부암 스크리닝을 위한 기계학습 알고리즘의 연대기적 검토를 제시하며, 세포 분할 및 분류에 사용된 SVM, CNN, 랜덤 포레스트, GLCM 등의 방법을 평가한다. 정확도, 데이터셋 활용도, 계산 효율성 향상과 같은 주요 발전을 강조하며, 공개된 데이터셋을 활용한 인공지능 기반 경부암 진단 접근법에 대한 종합적인 분석을 제공한다.

ABSTRACT

There are various algorithms and methodologies used for automated screening of cervical cancer by segmenting and classifying cervical cancer cells into different categories. This study presents a critical review of different research papers published that integrated AI methods in screening cervical cancer via different approaches analyzed in terms of typical metrics like dataset size, drawbacks, accuracy etc. An attempt has been made to furnish the reader with an insight of Machine Learning algorithms like SVM (Support Vector Machines), GLCM (Gray Level Co-occurrence Matrix), k-NN (k-Nearest Neighbours), MARS (Multivariate Adaptive Regression Splines), CNNs (Convolutional Neural Networks), spatial fuzzy clustering algorithms, PNNs (Probabilistic Neural Networks), Genetic Algorithm, RFT (Random Forest Trees), C5.0, CART (Classification and Regression Trees) and Hierarchical clustering algorithm for feature extraction, cell segmentation and classification. This paper also covers the publicly available datasets related to cervical cancer. It presents a holistic review on the computational methods that have evolved over the period of time, in chronological order in detection of malignant cells.

연구 동기 및 목표

• 2000년에서 2018년 사이에 기계학습 알고리즘이 경부암 스크리닝에 어떻게 발전해왔는지 분석하기.
• 정확도 및 데이터셋 크기와 같은 표준 지표를 사용하여 다양한 AI 기법의 세포 분할 및 분류 성능 평가하기.
• 데이터셋 부족 및 모델 일반화 능력 등의 기존 접근법의 한계와 과제 규명하기.
• 악성 경부세포 조기 검출을 위한 계산 방법에 대한 통합적 개요 제공하기.

제안 방법

• AI를 경부암 스크리닝에 통합한 동료 평가 논문에 대한 체계적 검토.
• 특징 추출(예: GLCM, 공간 퍼지 클러스터링), 분할(예: k-NN, MARS), 분류(예: SVM, CNN, PNN)로 알고리즘 분류.
• 데이터셋 크기, 정확도, 계산 복잡도 기반으로 방법 평가.
• Papsmear 등 공개된 데이터셋을 포함하여 벤치마킹에 사용된 데이터셋 포함.
• 기존 기계학습에서 딥러닝 모델로의 알고리즘 발전 과정에 대한 연대기적 분석.
• 감도, 특이도, F1-스코어와 같은 통계적 지표를 사용하여 연구 간 모델 성능 비교.

실험 결과

연구 질문

• RQ1 2000년에서 2018년 사이에 기계학습 알고리즘이 경부암 스크리닝에 어떻게 적용되어 왔는가?
• RQ2 악성과 양성 경부세포를 분류하는 데 있어 가장 높은 정확도를 보인 기계학습 모델은 무엇인가?
• RQ3 특히 데이터셋 크기와 모델 일반화 능력 측면에서 기존 알고리즘의 주요 한계는 무엇인가?
• RQ4 GLCM, SVM 등의 다양한 특징 추출 기법이 경부세포 분류 성능에서 어떻게 비교되는가?
• RQ5 공개된 데이터셋은 자동 경부암 스크리닝 연구 발전에 어떤 역할을 하는가?

주요 결과

• 컨볼루션 신경망(CNN)은 기존 방법인 SVM 및 k-NN에 비해 세포 분류 정확도에서 뛰어난 성능을 보였다.
• 서포트 벡터 머신(SVM)은 중간 크기의 데이터셋에서도 뛰어난 성능을 보이며, 여러 연구에서 90% 이상의 정확도를 달성했다.
• 랜덤 포레스트 트리(RFT)와 C5.0 의사결정수는 고차원 특징을 효과적으로 처리하고 양호한 일반화 능력을 보였다.
• GLCM 기반 텍스처 분석은 특징 추출에 지속적으로 사용되었으며, 분류 정확도 향상에 기여했다.
• Papsmear와 같은 공개된 데이터셋은 널리 사용되었지만, 많은 연구에서 데이터셋 크기가 제한되어 있어 모델의 강건성에 영향을 주었다.
• CNN과 같은 딥러닝 모델의 통합은 경부암 스크리닝의 정확도 향상과 자동화 측면에서 중요한 전환점을 이뤘다.