[논문 리뷰] Blockchain-Federated-Learning and Deep Learning Models for COVID-19 Detection Using CT Imaging

Rajesh Kumar, Abdullah Aman Khan외 8명|arXiv (Cornell University)|2020. 07. 10.

COVID-19 diagnosis using AI참고 문헌 72인용 수 466

한 줄 요약

이 논문은 복합망을 사용한 블록체인-연합 학습 프레임워크를 제안하여, 병원에서 촬영한 CT 영상에서 코로나19를 진단하기 위한 개인정보 보호형 공동 학습을 가능하게 한다. 다양한 병원에서 온 이질적인 데이터를 정규화하고, 원시 데이터를 공유하지 않고 블록체인으로 보호된 연합 학습 파이프라인을 통해 모델 업데이트만 공유함으로써, 코로나19, 바이러스성 폐렴, 정상 상태를 98.68%의 정확도로 분류하는 데 성공하였으며, 데이터 프라이버시를 유지하면서 기관 간 실시간 모델 개선을 가능하게 한다.

ABSTRACT

With the increase of COVID-19 cases worldwide, an effective way is required to diagnose COVID-19 patients. The primary problem in diagnosing COVID-19 patients is the shortage and reliability of testing kits, due to the quick spread of the virus, medical practitioners are facing difficulty identifying the positive cases. The second real-world problem is to share the data among the hospitals globally while keeping in view the privacy concerns of the organizations. Building a collaborative model and preserving privacy are major concerns for training a global deep learning model. This paper proposes a framework that collects a small amount of data from different sources (various hospitals) and trains a global deep learning model using blockchain based federated learning. Blockchain technology authenticates the data and federated learning trains the model globally while preserving the privacy of the organization. First, we propose a data normalization technique that deals with the heterogeneity of data as the data is gathered from different hospitals having different kinds of CT scanners. Secondly, we use Capsule Network-based segmentation and classification to detect COVID-19 patients. Thirdly, we design a method that can collaboratively train a global model using blockchain technology with federated learning while preserving privacy. Additionally, we collected real-life COVID-19 patients data, which is, open to the research community. The proposed framework can utilize up-to-date data which improves the recognition of computed tomography (CT) images. Finally, our results demonstrate a better performance to detect COVID-19 patients.

연구 동기 및 목표

• 병원 간 민감한 의료 데이터를 공유하면서도 환자 및 기관의 프라이버시를 보존하는 데 도전하는 문제를 해결하기 위해.
• 다양한 CT 스캐너에서 유래한 데이터 이질성에도 불구하고, 조기에 코로나19의 징후를 정확하게 탐지할 수 있는 강력한 딥러닝 모델을 개발하기 위해.
• 원시 데이터를 중앙집중화하지 않고도 협업 기반의 글로벌 모델 학습을 가능하게 하여 의료 AI 분야의 데이터 사각지대와 프라이버시 장벽을 극복하기 위해.
• 34,006개의 슬라이스를 포함한 새로운 공개 CT 스캔 데이터셋(CC-19)을 제공하여, 개방형 연구를 위한 기반을 마련하기 위해.

제안 방법

• 다양한 출처의 CT 영상 데이터에서 모ality 및 스캐너 이질성을 다루기 위해 데이터 정규화 기법을 제안하였다.
• 일반화 능력과 특징 학습 능력을 향상시키기 위해, 폐 이상 소견의 분할 및 분류에 캡슐 네트워크를 활용하였다.
• 병원 간 원시 데이터를 공유하지 않고 지역 모델 업데이트를 집계함으로써 글로벌 딥러닝 모델을 학습하기 위해 연합 학습을 활용하였다.
• 모델 업데이트 및 데이터 기여를 신원 확인하고 안전하게 로깅하기 위해 블록체인 기술을 활용하여 협업 학습 과정의 투명성과 무결성을 확보하였다.
• 병원들이 현지 데이터를 유지하고 오직 모델 가중치와 기울기만 교환하는 탈중앙화된 개인정보 보호 프레임워크를 설계하였다.
• CC-19라는 이름의 새로운 공개 데이터셋을 공개하였으며, 이는 89명의 환자에서 유래한 34,006개의 CT 슬라이스를 포함하고 있다(양성 68건, 음성 21건), 개방형 연구를 위해 제공된다.

실험 결과

연구 질문

• RQ1 블록체인 통합이 포함된 연합 학습 프레임워크는 병원 간 데이터 프라이버시를 해치지 않으면서 글로벌 딥러닝 모델을 효과적으로 학습시킬 수 있는가?
• RQ2 다양한 CT 스캐너에서 유래한 데이터 이질성은 모델 성능에 어떤 영향을 미치며, 정규화 기법이 이 문제를 완화시킬 수 있는가?
• RQ3 캡슐 네트워크는 전통적인 CNN보다 폐 CT 영상에서 미세한 코로나19 패atters를 분류하는 데 더 우수한 성능을 보이는가?
• RQ4 단일 병원 데이터로 학습된 모델과 비교했을 때, 연합 학습을 통한 협업 학습이 진단 정확도를 얼마나 향상시킬 수 있는가?
• RQ5 투명하고 변경 불가능한 블록체인 로그는 다기관 의료 AI 모델 개발에서 신뢰도와 책임성을 향상시킬 수 있는가?

주요 결과

• 제안된 프레임워크는 CC-19 데이터셋에서 98.68%의 분류 정확도를 달성하여 기존 방법들을 크게 앞서 갔다.
• 캡슐 네트워크 기반 모델은 전통적인 CNN보다 우수한 일반화 능력과 민감도(98%)를 보였으며, 특히 작은 초기 감염 부위를 탐지하는 데 뛰어난 성능을 보였다.
• 연합 학습을 통해 세 병원에서 효과적인 글로벌 모델 학습이 가능했으며, 80회의 학습 반복 동안 정확도가 안정적으로 향상되었다.
• 학습 손실 값이 모든 병원에서 일관되게 감소하여, 탈중앙화된 환경에서도 안정적이고 효과적인 모델 수렴이 이루어졌음을 나타냈다.
• 블록체인 기반 시스템은 안전하고 투명하며 감사 가능한 모델 업데이트를 보장하였으며, 협업 학습 과정 동안 데이터 泄露가 관찰되지 않았다.
• CC-19 데이터셋의 공개는 의료 영상 기반 AI 기반 코로나19 진단 연구를 위한 유의미한 기준 자료로 기여하고 있다.