[논문 리뷰] Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics

John A. Quinn, Rose Nakasi외 4명|arXiv (Cornell University)|2016. 08. 09.

Digital Imaging for Blood Diseases인용 수 92

한 줄 요약

이 논문은 자원이 제한된 환경에서 현장 진단을 위한 스마트폰 통합형 딥 컨volution 뉴럴 네트워크(CNN) 시스템을 제안하며, 염색된 스메어 영상에서 말라리아, 편도열, 장내 기생충을 높은 정확도로 진단한다. 이 방법은 원시 픽셀 데이터에서 직접 특징 표현을 학습함으로써 전통적인 컴퓨터 비전 기법보다 뛰어난 민감도와 특이도를 보이며, 세 가지 다른 진단 과제에서 모두 뛰어난 성능을 나타낸다.

ABSTRACT

Point of care diagnostics using microscopy and computer vision methods have been applied to a number of practical problems, and are particularly relevant to low-income, high disease burden areas. However, this is subject to the limitations in sensitivity and specificity of the computer vision methods used. In general, deep learning has recently revolutionised the field of computer vision, in some cases surpassing human performance for other object recognition tasks. In this paper, we evaluate the performance of deep convolutional neural networks on three different microscopy tasks: diagnosis of malaria in thick blood smears, tuberculosis in sputum samples, and intestinal parasite eggs in stool samples. In all cases accuracy is very high and substantially better than an alternative approach more representative of traditional medical imaging techniques.

연구 동기 및 목표

• 자원이 제한된 지역에서 질병 진단을 위한 저비용의 현장 진단 시스템을 스마트폰과 현미경을 활용해 개발한다.
• 딥 컨volution 뉴럴 네트워크(CNN)의 성능을 말라리아, 결핵, 장내 기생충과 같은 세 가지 현미경 기반 진단 과제에서 평가한다.
• 수작업으로 설계된 특징에 의존하는 전통적인 컴퓨터 비전 방법의 한계를 극복하고, 엔드 투 엔드 딥 러닝을 통해 정확도를 향상시킨다.
• 기초적인 실험실 기술자가 부족한 지역에서 자동화되고 확장 가능하며 접근 가능한 진단을 가능하게 한다.

제안 방법

• 표준 스마트폰을 기존의 광학 현미경에 연결하기 위해 3D 프린팅된 스마트폰 현미경 어댑터를 설계하였다.
• 스마트폰 카메라를 사용하여 혈액 스메어, 기침 분비물, 대변 샘플의 고배율(1000x) 영상을 촬영하였다.
• 라벨이 붙은 현미경 영상에서 각 진단 과제에 대해 사전 학습된 딥 컨volution 뉴럴 네트워크(특히 VGG 또는 유사한 모델을 사용한 전이 학습 방법)를 미세 조정하였다.
• 네트워크는 수작업 특징 설계를 대체하여 픽셀 데이터에서 계층적인 특징 표현을 직접 학습한다.
• 소프트맥스 출력 레이어를 사용하여 병원체의 존재 또는 부재를 확률 점수와 함께 예측하는 이미지 분류를 수행하였다.
• 데이터 증강과 전이 학습을 적용하여 일반화 능력을 향상시켰으며, 특히 라벨이 부족한 데이터셋에서 유의미한 성능 향상을 이룩하였다.

실험 결과

연구 질문

• RQ1 딥 컨volution 뉴럴 네트워크는 자원이 제한된 환경에서 말라리아, 결핵, 장내 기생충의 현미경 영상에서 높은 진단 정확도를 달성할 수 있는가?
• RQ2 엔드 투 엔드 딥 러닝의 성능는 수작업 특징에 의존하는 전통적인 컴퓨터 비전 방법과 비교해 어떻게 다른가?
• RQ3 동일한 CNN 아키텍처가 다양한 생물 샘플과 병원체 유형 간에 얼마나 잘 일반화되는가?
• RQ4 저비용 어댑터를 장착한 스마트폰 기반 시스템이 전문가 수준의 현미경 진단과 유사한 신뢰성 있는 자동 진단을 제공할 수 있는가?

주요 결과

• 딥 러닝 모델은 두꺼운 혈액 스메어에서 플라스모디움 기생충을 매우 높은 정확도로 진단하여 전통적인 컴퓨터 비전 기법을 크게 능가하였다.
• 기침 분비물 샘플에서의 결핵 진단에서는 높은 민감도와 특이도를 보였으며, ROC 곡선 아래 면적(AUC)과 평균 정밀도(AP) 지표가 뛰어난 성능를 나타내었다.
• 장내 기생충 진단에서는 고치모기란 알을 높은 신뢰도로 식별하였고, 거짓 양성은 주로 라벨이 잘못 붙거나 유사한 모습을 가진 타니아 알과 같은 기생충으로 인한 것이었다.
• 동일한 아키텍처를 사용하여 세 가지 다른 진단 과제에 걸쳐 일반화가 잘 되었으며, 다양한 샘플 유형 간 이식성과 유연성이 뛰어나다는 것을 보여주었다.
• 진짜 양성 결과에는 높은 진단 확률, 진짜 음성 결과에는 낮은 점수를 기록하여 대부분의 경우 거짓 양성이 극히 적었다.
• 결과적으로 딥 러닝은 실험실 기술자가 진단의 일관성을 높이고 피로를 줄이기 위해 신뢰할 수 있는 의사결정 지원 도구로 활용될 수 있음을 시사한다.