[논문 리뷰] Comparison of Probabilistic Deep Learning Methods for Autism Detection

Godfrin Ismail, Kenneth Chesoli외 2명|arXiv (Cornell University)|2023. 03. 09.

Autism Spectrum Disorder Research인용 수 4

한 줄 요약

이 연구는 다중모달 데이터(fMRI, MRI, 얼굴 영상 포함)를 사용하여 자폐 스펙트럼 장애(ASD) 탐지에 대한 확률적 딥러닝 모델을 평가한다. 전이학습 모델인 Xception과 VGG16이 ASD를 분류하는 데 높은 정확도(최대 95%)를 달성하며, Xception은 얼굴 영상 데이터에서 91%의 정확도를 기록하고, VGG16은 fMRI 데이터에서 95%의 정확도를 보이며 조기 자동 진단 가능성을 시사한다.

ABSTRACT

Autism Spectrum Disorder (ASD) is one neuro developmental disorder that is now widespread in the world. ASD persists throughout the life of an individual, impacting the way they behave and communicate, resulting to notable deficits consisting of social life retardation, repeated behavioural traits and a restriction in their interests. Early detection of the disorder helps in the onset treatment and helps one to lead a normal life. There are clinical approaches used in detection of autism, relying on behavioural data and in worst cases, neuroimaging. Quantitative methods involving machine learning have been studied and developed to overcome issues with clinical approaches. These quantitative methods rely on machine learning, with some complex methods based on deep learning developed to accelerate detection and diagnosis of ASD. These literature is aimed at exploring most state-of-the-art probabilistic methods in use today, characterizing them with the type of dataset they're most applied on, their accuracy according to their novel research and how well they are suited in ASD classification. The findings will purposely serve as a benchmark in selection of the model to use when performing ASD detection.

연구 동기 및 목표

• 다양한 데이터 모odal(모드)에서 최신 기술의 확률적 딥러닝 모델을 활용한 자폐 스펙트럼 장애(ASD) 탐지 성능 평가.
• 성능 지표와 데이터 유형에 기반해 ASD 분류에 가장 정확하고 강력한 딥러닝 아키텍처 식별.
• fMRI, MRI, 또는 얼굴 영상 등 가용한 데이터 유형에 따라 최적의 모델 선택 기준 제공 — 조기 진단 지원.
• 데이터 증강 및 하이퍼파라미터 튜닝이 모델 일반화 및 정확도에 미치는 영향 평가.
• 임상의 및 연구자들이 확률적 딥러닝 기술을 활용해 확장 가능하고 신뢰도 높은 조기 ASD 진단을 수행할 수 있도록 안내.

제안 방법

• ASD 탐지 작업을 위한 여러 딥러닝 모델(Xception, VGG19, NASNetMobile, Auto-ASD-Network, VGG16, 및 자체 개발 DNN)을 훈련 및 비교.
• 사전 훈련된 모델(Xception, VGG19 등)을 활용한 전이학습을 통해 카글 데이터셋의 얼굴 영상에서 자폐와 정상 발달을 분류.
• fMRI 및 MRI 데이터셋의 클래스 불균형 문제를 해결하기 위해 SMOTE를 활용한 데이터 증강을 적용해 모델 일반화 능력 향상 및 과적합 감소.
• 이중 단계 분류 파이프라인 적용: 첫 번째 단계에서 딥 네트워크가 특징을 추출하고, 두 번째 단계에서 하이퍼파라미터를 최적화한 SVM 분류기(자동 모델 최적화(ATM) 활용)를 통해 성능 향상.
• 정확도, 민감도, 특이도, 혼동 행렬 등 다양한 지표를 사용해 모델 성능을 종합적으로 평가하여 신뢰도 확보.
• 특징 추출을 위해 은닉층에서 특징을 추출한 ABIDE fMRI 데이터셋을 사용해 모델 훈련 및 검증, 표현 품질 평가.

Figure 1: Class information in the ABIDE Dataset

실험 결과

연구 질문

• RQ1 확률적 딥러닝 모델은 fMRI, MRI, 얼굴 영상 등 다양한 데이터 모달에서 자폐 스펙트럼 장애를 어떻게 분류하는가?
• RQ2 어떤 딥러닝 아키텍처가 ASD 탐지에서 가장 높은 분류 정확도를 달성하며, 민감도 및 특이도 측면에서 어떻게 비교되는가?
• RQ3 데이터 증강(SMOTE 등) 및 하이퍼파라미터 튜닝(ATM 등)이 ASD 분류 성능 향상에 얼마나 기여하는가?
• RQ4 전이학습 모델인 Xception 및 VGG19는 전통적 딥러닝 네트워크보다 얼굴 특징을 기반으로 한 ASD 탐지에서 얼마나 효과적인가?
• RQ5 가용한 데이터 및 성능 지표를 고려할 때, 어떤 모델이 조기 ASD 진단에 가장 적합한가?

주요 결과

• VGG16는 fMRI 데이터에서 95%의 최고 분류 정확도를 기록하여 연구에서 다른 모델들을 압도.
• Xception 모델은 얼굴 영상 데이터에서 테스트 정확도 91%를 달성했으며, 150명의 자폐 아동 중 132명이 참으로 진단되고 18명이 거짓으로 음성으로 나온 결과.
• Auto-ASD-Network 모델은 네 개의 fMRI 데이터셋에서 80%의 정확도를 기록했으며, SVM 성능을 26% 향상시키고 최신 기술 대비 14% 향상.
• VGG19는 25 에포크 동안 훈련 정확도가 56%에서 85%로 상승한 후 검증 정확도가 82%로 감소하여 과적합 가능성 확인.
• NASNetMobile는 성능이 열악하여 얼굴 영상에서 검증 정확도가 65%에서 78% 사이로 변동하며, 테스트된 세 모델 중 가장 낮은 성능 기록.
• SMOTE 데이터 증강과 SVM 최적화의 조합이 불균형 데이터셋에서 모델 성능 향상에 크게 기여함.

Figure 2: The Architecture of VGG16 [ 26 ]