[논문 리뷰] Classification of White Blood Cells Using Machine and Deep Learning Models: A Systematic Review

Rabia Asghar, Sanjay Kumar외 2명|arXiv (Cornell University)|2023. 08. 11.

Digital Imaging for Blood Diseases인용 수 4

한 줄 요약

이 체계적 리뷰는 2006~2023년 사이에 발표된 136篇의 연구를 분석하여 혈액 도말, X레이, MRI 등을 포함한 의료 영상 자료를 활용한 백혈구(WBC) 분류를 위한 기계학습 및 딥러닝 기법을 검토한다. 최고 성능을 보인 모델들을 규명하고, 데이터 부족과 모델의 해석 가능성 문제를 핵심 과제로 지적하며, 정확도 향상과 진단 자동화를 위해 향후 Faster R-CNN 및 GAN과 같은 고급 딥러닝 아키텍처의 활용이 증가할 것으로 예측한다.

ABSTRACT

Machine learning (ML) and deep learning (DL) models have been employed to significantly improve analyses of medical imagery, with these approaches used to enhance the accuracy of prediction and classification. Model predictions and classifications assist diagnoses of various cancers and tumors. This review presents an in-depth analysis of modern techniques applied within the domain of medical image analysis for white blood cell classification. The methodologies that use blood smear images, magnetic resonance imaging (MRI), X-rays, and similar medical imaging domains are identified and discussed, with a detailed analysis of ML/DL techniques applied to the classification of white blood cells (WBCs) representing the primary focus of the review. The data utilized in this research has been extracted from a collection of 136 primary papers that were published between the years 2006 and 2023. The most widely used techniques and best-performing white blood cell classification methods are identified. While the use of ML and DL for white blood cell classification has concurrently increased and improved in recent year, significant challenges remain - 1) Availability of appropriate datasets remain the primary challenge, and may be resolved using data augmentation techniques. 2) Medical training of researchers is recommended to improve current understanding of white blood cell structure and subsequent selection of appropriate classification models. 3) Advanced DL networks including Generative Adversarial Networks, R-CNN, Fast R-CNN, and faster R-CNN will likely be increasingly employed to supplement or replace current techniques.

연구 동기 및 목표

• 의료 영상 자료를 활용한 백혈구 분류를 위한 기계학습 및 딥러닝 모델의 최신 기술 수준을 평가하기 위해.
• 다양한 영상 모odalities에서 사용된 가장 효과적인 기법과 아키텍처를 규명하기 위해.
• 제한된 데이터셋 가용성과 의료 영상 분석 분야의 전문 지식이 필요한 문제 등 지속적인 과제를 분석하기 위해.
• R-CNN, Faster R-CNN, GAN과 같은 고급 딥러닝 모델이 분류 성능 향상에 기여할 잠재력을 탐색하기 위해.
• 최선의 실천 방법, 모델 성능 및 데이터 증강 전략에 대한 증거를 종합하여 향후 연구를 안내하기 위해.

제안 방법

• 2006년부터 2023년까지 발표된 136편의 주요 연구 논문을 대상으로 체계적 문헌 리뷰를 수행하였다.
• 혈액 도말 영상, X레이, MRI 및 기타 의료 영상 자료를 활용한 WBC 분류 연구에 집중하였다.
• 모델의 아키텍처, 성능 지표 및 데이터셋 특성에 따라 기계학습 및 딥러닝 모델을 분류하고 분석하였다.
• 제한된 데이터셋 가용성 문제를 해결하기 위해 데이터 증강 기법을 평가하였다.
• 모델 선택 및 해석 과정에서 의료 분야의 전문 지식이 차지하는 역할을 평가하였다.
• 두 단계 검출기(Faster R-CNN 등) 및 생성 모델(GAN 등)의 증가 추세를 포함한 모델 발전 경향을 파악하였다.

실험 결과

연구 질문

• RQ1 의료 영상에서 백혈구를 분류하는 데 있어 가장 높은 정확도를 보인 기계학습 및 딥러닝 모델은 무엇인가?
• RQ2 백혈구 분류 연구에서 가장 흔히 사용되는 영상 모달리티는 무엇이며, 이는 모델 성능에 어떤 영향을 미치는가?
• RQ3 임상 현장에서 백혈구 분류 모델의 광범위한 도입과 정확도 향상을 저지하는 주요 과제는 무엇인가?
• RQ4 작은 또는 불균형한 데이터셋의 영향을 완화하기 위해 데이터 증강 기법이 얼마나 효과적인가?
• RQ5 Faster R-CNN 및 GAN과 같은 고급 딥러닝 아키텍처는 백혈구 분류 성능 향상에 어떤 역할을 하는가? 향후 통합 가능성은 어떠한가?

주요 결과

• 가장 효과적인 WBC 분류 모델은 딥러닝 기반이며, 특히 컨볼루션 신경망(CNNs)이 핵심이다. 일부 최고 성능 모델은 기준 데이터셋에서 95% 이상의 분류 정확도를 달성하였다.
• 데이터 부족은 여전히 주요 장애물이며, 많은 연구가 작은 비표본 데이터셋에 의존함으로써 일반화 능력을 향상시키기 위해 데이터 증강 기법을 활용하고 있다.
• Faster R-CNN 및 R-CNN과 같은 고급 아키텍처는 희귀하거나 형태학적으로 복잡한 WBC 유형의 탐지 및 분류 성능 향상에 잠재력을 보이고 있다.
• 생성적 적대 기반 네트워크(GANs)는 실제 WBC 영상 수집자료의 부족을 보완하기 위해 합성 데이터 생성에 실용적인 솔루션으로 부상하고 있다.
• ML 전문가들 사이에 의료 전문 지식의 부족이 두드러지며, 이는 모델 설계 및 해석에 악영향을 미친다. 이는 다학제적 협업의 필요성을 강조한다.
• 백혈구 형태학에 대한 영역 특화 지식의 통합은 모델 선택 및 성능 향상에 기여하며, 특히 림프구, 단핵구, 호산구 등의 아형을 구분하는 데서 두드러진다.