[논문 리뷰] Analysis of Vision-based Abnormal Red Blood Cell Classification

Annika Wong, Nantheera Anantrasirichai외 4명|arXiv (Cornell University)|2021. 06. 01.

Digital Imaging for Blood Diseases참고 문헌 18인용 수 10

한 줄 요약

이 논문은 SVM, TabNet, U-Net 모델을 사용하여 비정상 적혈구(RBC)를 자동으로 분류하는 기계학습 기반 시스템을 제안한다. 이는 진단 정확도를 향상시키고 주관성을 줄이는 데 목적이 있다. 데이터셋의 클래스 불균형 문제를 해결하기 위해 SMOTE와 비용 감수성 학습을 조합함으로써, SVM 및 TabNet 모델은 각각 94.8%와 94.2%의 f2-스코어를 달성하여 희귀한 비정상 RBC 유형에 대해 높은 민감도를 보였다.

ABSTRACT

Identification of abnormalities in red blood cells (RBC) is key to diagnosing a range of medical conditions from anaemia to liver disease. Currently this is done manually, a time-consuming and subjective process. This paper presents an automated process utilising the advantages of machine learning to increase capacity and standardisation of cell abnormality detection, and its performance is analysed. Three different machine learning technologies were used: a Support Vector Machine (SVM), a classical machine learning technology; TabNet, a deep learning architecture for tabular data; U-Net, a semantic segmentation network designed for medical image segmentation. A critical issue was the highly imbalanced nature of the dataset which impacts the efficacy of machine learning. To address this, synthesising minority class samples in feature space was investigated via Synthetic Minority Over-sampling Technique (SMOTE) and cost-sensitive learning. A combination of these two methods is investigated to improve the overall performance. These strategies were found to increase sensitivity to minority classes. The impact of unknown cells on semantic segmentation is demonstrated, with some evidence of the model applying learning of labelled cells to these anonymous cells. These findings indicate both classical models and new deep learning networks as promising methods in automating RBC abnormality detection.

연구 동기 및 목표

• 혈액학 진단에서 수작업 부담과 주관성을 줄이기 위해 비정상 RBC 탐지를 자동화하는 것.
• 소수의 비정상 세포 유형이 부족한 경우에 발생하는 심각한 클래스 불균형 문제를 해결하는 것.
• 고전적 기계학습(SVM), 딥러닝(TabNet), 의미 세그멘테이션(U-Net) 모델이 다양한 RBC 비정상성 유형을 분류하는 데 성능을 평가하는 것.
• SMOTE와 비용 감수성 학습을 조합하여 희귀 세포 클래스에 대한 민감도를 향상시키는 효과를 조사하는 것.

제안 방법

• 연구는 세 가지 기계학습 모델을 사용한다: 지지 벡터 기반 머신러닝(SVM), 표본 데이터 전용 딥러닝 모델인 TabNet, 의미 세그멘테이션 네트워크인 U-Net을 활용하여 RBC 분류를 수행한다.
• 소수 클래스의 샘플 수를 늘리고 클래스 불균형 문제를 완화하기 위해 특성 공간에서의 데이터 증강 기법으로 합성 소수 클래스 오버샘플링 기법(SMOT)을 적용한다.
• 모델 학습 중 소수 클래스의 오분류에 더 높은 손실을 적용하기 위해 비용 감수성 학습 기법을 통합한다.
• 다양한 형태, 색상, 이미지 품질을 가진 11종의 RBC 유형으로 구성된 다각도적인 데이터셋을 기반으로 모델을 훈련하고 평가한다.
• 성능 평가 지표로는 f2-스코어, 민감도, 특이도, 정밀도를 사용하며, 희귀 클래스에 대한 균형 잡힌 민감도를 중시한다.
• 클래스 불균형 지표에서 최적의 성능을 내기 위해 SMOTE와 비용 감수성 학습의 융합 전략을 평가한다.

실험 결과

연구 질문

• RQ1 미세현미경 영상에서 형태나 색상의 큰 변동이 있는 다양한 비정상 RBC 유형을 효과적으로 분류할 수 있는가?
• RQ2 SMOTE와 비용 감수성 학습을 조합함으로써, 개별 기법 대비 심각한 클래스 불균형이 존재하는 RBC 데이터셋에서 모델 성능이 어떻게 향상되는가?
• RQ3 고전적 기계학습(SVM), 표본 기반 딥러닝(TabNet), 의료 영상 세그멘테이션(U-Net)은 비정상 RBC 분류에서 어떻게 비교되는가?
• RQ4 정의된 비정상 유형 집합으로 훈련된 모델이 알려지지 않은 또는 레이블이 없는 RBC 유형에 대해 얼마나 일반화 가능한가?
• RQ5 다양한 모델 간에 희귀 비정상 세포에 대한 민감도와 정밀도 사이의 상충 관계는 어느 정도인가?

주요 결과

• SMOTE와 비용 감수성 학습을 적용한 SVM 모델은 비정상 RBC에 대해 96.9%의 민감도를 기록했으며, f2-스코어는 94.8%로 희귀 클래스에 대해 뛰어난 성능을 보였다.
• TabNet은 비정상 세포 탐지에서 96.5%의 민감도와 94.2%의 f2-스코어를 기록하여 이 작업에서 U-Net 모델보다 뛰어난 성능을 보였다.
• U-Net 모델은 비정상 세포 탐지에서 92.0%의 정밀도와 84.9%의 f2-스코어를 기록하여 높은 정밀도를 보였지만, SVM 및 TabNet에 비해 민감도는 낮았다.
• 11종의 RBC 유형 분류에서 SVM 및 TabNet 모델은 평균 f2-스코어 각각 78.2%와 73.0%를 기록하여 다양한 세포 유형에 대해 중간 수준의 성능을 보였다.
• SMOTE와 비용 감수성 학습의 조합은 소수 클래스에 대한 민감도를 크게 향상시켰으며, 특히 SMOTE3+CSL(2:3)로 훈련된 SVM 모델에서 가장 우수한 결과를 보였다.
• U-Net 모델은 학습된 특징을 알려지지 않은 또는 레이블이 없는 세포에 적용함으로써 일반화 능력을 보였으며, 제로샷 또는 피처샷 적응 가능성에 대한 잠재력을 시사한다.