[논문 리뷰] Deep Sequential Feature Learning in Clinical Image Classification of Infectious Keratitis

Yesheng Xu, Ming Kong외 8명|arXiv (Cornell University)|2020. 06. 04.

Ocular Diseases and Behçet’s Syndrome참고 문헌 39인용 수 5

한 줄 요약

이 논문은 공간적 구조를 유지하고 유informative한 특징을 분리하여 진단 정확도를 향상시키기 위해 임상적 감염성 각막염 영상 분류를 위한 순차적 수준의 딥 러닝 모델을 제안한다. 이 모델은 120장의 테스트 이미지에서 80.00%의 정확도를 달성하여 평균 49.27%의 정확도를 기록한 421명의 안과 전문의를 크게 앞서며 성과를 보였다.

ABSTRACT

Infectious keratitis is the most common entities of corneal diseases, in which pathogen grows in the cornea leading to inflammation and destruction of the corneal tissues. Infectious keratitis is a medical emergency, for which a rapid and accurate diagnosis is needed for speedy initiation of prompt and precise treatment to halt the disease progress and to limit the extent of corneal damage; otherwise it may develop sight-threatening and even eye-globe-threatening condition. In this paper, we propose a sequential-level deep learning model to effectively discriminate the distinction and subtlety of infectious corneal disease via the classification of clinical images. In this approach, we devise an appropriate mechanism to preserve the spatial structures of clinical images and disentangle the informative features for clinical image classification of infectious keratitis. In competition with 421 ophthalmologists, the performance of the proposed sequential-level deep model achieved 80.00% diagnostic accuracy, far better than the 49.27% diagnostic accuracy achieved by ophthalmologists over 120 test images.

연구 동기 및 목표

• 감염성 각막염의 신속하고 정확한 진단이 급박한 임상적 필요성을 해결하기 위해.
• 다양성과 주관성으로 인해 인간 전문가가 임상적 각막 영상에서 미세한 차이를 감지하는 데 한계가 있음을 극복하기 위해.
• 공간적 구조를 유지하고 임상 영상에서 분류 가능한 특징을 추출할 수 있는 딥 러닝 모델을 개발하기 위해.
• 직접적인 진단 비교를 통해 모델의 성능을 전문 안과의사와 비교하기 위해.
• 조직 손상과 시력 보존을 최소화하기 위해 조기이고 정확한 진단을 위한 신뢰할 수 있는 자동화된 도구를 제공하기 위해.

제안 방법

• 제안된 모델는 순차적 인식 방식으로 임상 영상을 처리할 수 있도록 설계된 순차적 수준의 딥 러닝 아키텍처를 사용한다.
• 이 모델은 각막 영상의 공간적 구조를 유지하는 메커니즘을 통합하여 특징 추출 과정에서 해부학적 맥락을 유지한다.
• 계층적 특징 학습 과정을 통해 정보가 풍부한 특징을 분리함으로써 질병 아형 간의 구별 능력을 향상시킨다.
• 분류 성능 최적화를 위해 감염성 각막염의 임상 영상 데이터셋에서 엔드 투 엔드로 훈련된 아키텍처이다.
• 모델는 표준화된 120장의 임상 영상 테스트 세트를 사용하여 평가되었으며, 성능은 421명의 실무 안과의사와 비교되었다.
• 평가에는 진단 정확도를 주요 지표로 사용하였으며, 인간 전문가 성능과의 통계적 비교가 이루어졌다.

실험 결과

연구 질문

• RQ1 순차적 수준의 딥 러닝 모델이 감염성 각막염의 임상 영상 분류에서 인간 안과의사보다 더 높은 진단 정확도를 달성할 수 있는가?
• RQ2 모델은 각막 영상에서 공간적 구조를 얼마나 효과적으로 유지하여 정확한 분류를 지원할 수 있는가?
• RQ3 모델은 얼마나 효과적으로 정보가 풍부한 특징을 분리하고 활용하여 감염성 각막염의 미세한 차이를 구별할 수 있는가?
• RQ4 이 임상 영상 분류 과업에서 딥 러닝 모델과 전문 클리닉의사 사이의 성능 격은 어느 정도인가?
• RQ5 이 모델은 다양한 병원체 유형과 질병 중증도를 가진 실제 임상 영상에 잘 일반화될 수 있는가?

주요 결과

• 제안된 딥 순차적 특징 학습 모델은 감염성 각막염의 120장의 테스트 이미지에서 진단 정확도 80.00%를 달성하였다.
• 이 성능는 동일한 테스트 세트에서 평균 49.27%의 진단 정확도를 기록한 421명의 안과의사보다 뚜렷이 뛰어났다.
• 모델는 인간 전문가에 비해 각막 병변의 미세한 차이를 감지하는 데 뛰어난 능력을 보였다.
• 공간적 구조의 유지와 정보가 풍부한 특징의 분리가 모델의 높은 성능에 핵심적인 역할을 하였다.
• 결과적으로, 이 특정 임상 영상 분류 과업에서 딥 러닝 모델이 인간 의료진의 진단 정확도를 뛰어넘을 수 있음을 시사한다.
• 본 연구는 임상 영상 기반 감염성 각막염의 자동 진단을 위한 강력한 기준을 수립하였다.