[논문 리뷰] Community aware group testing

Pavlos Nikolopoulos, Tao Guo외 3명|arXiv (Cornell University)|2020. 07. 16.

SARS-CoV-2 detection and testing인용 수 4

한 줄 요약

이 논문은 가족이나 직장 동료 등 알려진 공동체 구조를 활용하여 감염자 식별에 필요한 테스트 수를 줄이는 공동체 인지 그룹 테스팅 알고리즘을 제안한다. 감염 확산이 그룹 내에서 상관관계를 가지는 공동체 수준의 감염 패턴을 고려한 적응형 및 비적응형 테스팅 전략을 설계함으로써, 특히 높은 유병률 상황에서 테스트 수를 크게 줄이고, 새로운 루프형 신뢰도 전파 디코더를 사용해 노이즈 있는 테스팅 조건에서도 신뢰성을 향상시킨다.

ABSTRACT

In this paper, we propose algorithms that leverage a known community structure to make group testing more efficient. We consider a population organized in disjoint communities: each individual participates in a community, and its infection probability depends on the community (s)he participates in. Use cases include families, students who participate in several classes, and workers who share common spaces. Group testing reduces the number of tests needed to identify the infected individuals by pooling diagnostic samples and testing them together. We show that if we design the testing strategy taking into account the community structure, we can significantly reduce the number of tests needed for adaptive and non-adaptive group testing, and can improve the reliability in cases where tests are noisy.

연구 동기 및 목표

• k가 n에 비례해 증가하는 고유병률 상황에서 전통적인 그룹 테스팅의 비효율성을 해결하기 위해.
• 감염이 그룹 내에서 상관관계를 가지는 알려진 공동체 구조(예: 가족 또는 공동 작업 공간)를 활용하기 위해.
• 테스트 설계에 공동체 수준의 감염 패턴을 통합하여 감염자 식별에 필요한 그룹 테스트 수를 줄이기 위해.
• 특히 루프형 신뢰도 전파를 사용함으로써 공동체 구조를 디코딩에 통합하여 노이즈 있는 테스팅 환경에서의 신뢰성을 향상시키기 위해.
• 공동체 인지 전략이 희박한 감염 상황과 선형 감염 상황 모두에서 기존 그룹 테스팅보다 뛰어나다는 것을 입증하기 위해.

제안 방법

• 감염된 가정 수(kf)에 비례하는 테스트 수의 하한선을 제안하며, 이는 공동체 수준의 상관관계를 반영한다. 이는 감염자 수(k)에 비례하는 기존의 접근 방식과 대비된다.
• 감염된 가정을 먼저 테스트하고, 그 다음에 감염된 가정 내에서 그룹 테스팅을 적용함으로써 이론적 하한선에 도달하는 적응형 알고리즘을 제안한다.
• 작은 가짜 양성률을 감수할 수 있는 경우에 테스트 수를 줄이는 데 사용할 수 있는 공동체 인지 테스트 행렬(C-encoder)을 사용하는 비적응형 알고리즘을 개발한다.
• 임의의 테스트 행렬과도 호환 가능한 인프라를 제공하기 위해 요소 그래프에 보조 노드(Vj)를 통합한 일반적인 루프형 신뢰도 전파(LBP) 디코더를 설계한다.
• 비적응형 환경에서는 두 단계의 디코딩 프로세스를 사용한다: 첫 번째 단계에서는 COMP 유사 디코더를 사용해 감염된 가정을 식별하고, 두 번째 단계에서는 공동체 사전 정보를 활용한 LBP를 사용해 개별 수준의 추론을 정밀화한다.
• 가짜 음성 오류를 시뮬레이션하기 위해 Z채널 노이즈 모델을 사용하고, 노이즈 있는 테스트 환경에서의 성능을 평가하여 공동체 인지 LBP가 가짜 음성률을 상당히 줄임을 확인한다.

실험 결과

연구 질문

• RQ1 감염 유병률이 높을 경우, 공동체 구조를 그룹 테스팅에 활용하면 필요한 테스트 수를 줄일 수 있는가?
• RQ2 공동체 인지 그룹 테스팅에서 테스트 복잡도의 스케일링 파라미터로 감염된 가정 수(kf)와 감염자 수(k)를 비교하면 어떻게 되는가?
• RQ3 가짜 양성이 허용되는 경우, 공동체 인지 인코딩을 사용하는 비적응형 그룹 테스팅이 기존 비적응형 방법보다 낮은 오류율을 달성할 수 있는가?
• RQ4 LBP 디코더에 공동체 구조를 통합할 경우 노이즈 있는 테스팅 환경에서의 신뢰성이 얼마나 향상되는가?
• RQ5 희박한 감염 상황과 선형 감염 상황 모두에서 공동체 인지 그룹 테스팅의 성능이 기존 그룹 테스팅보다 어떻게 다른가?

주요 결과

• 제안된 적응형 알고리즘이 특정 파rameter 영역에서 이론적 하한선에 도달하여 공동체 인지 설계 하에 최적임을 입증한다.
• 선형 감염 상황(p > 0.5)에서 공동체 인지 비적응형 그룹 테스팅은 기존 비적응형 방법 대비 오류율을 최대 8.5%까지 낮춘다. 특히 높은 유병률에서 이 격차는 더욱 커진다.
• 공동체 구조를 통합한 LBP 디코더(C-LBP)는 p ≥ 0.6 이며 T > 450일 경우 거의 0에 가까운 가짜 양성 및 가짜 음성률을 달성하며, C-encoder와 함께 사용하는 COMP 디코더가 2%의 가짜 양성률에서 포화 상태에 이르는 것에 비해 뛰어난 성능을 보인다.
• Z채널 노이즈(z=0.15) 환경에서, 테스트 수가 적을 경우 공동체 인지 LBP가 가짜 음성률을 최대 60%까지 감소시켜 실생활 적용에서 안전성을 크게 향상시킨다.
• 5%의 가짜 음성률이 존재하는 비대칭 선형 감염 상황에서, R=M인 알고리즘 1은 확률적 하한선의 1.19배의 테스트 수로 감소시키며, 기준 이진 분할 알고리즘(BSA)이 6.19배를 차지하는 것과 비교해 강력한 비용 효율성을 보인다.
• 공동체 인지 접근 방식은 조기에 감염된 전체 가정을 식별하고 제거함으로써 선형 감염 문제를 희박한 문제로 전환시켜, 효과적인 감염자 수를 줄이고 그룹 테스팅의 이점을 극대화한다.