[논문 리뷰] DeepGestalt - Identifying Rare Genetic Syndromes Using Deep Learning

Yaron Gurovich, Yair Hanani외 9명|arXiv (Cornell University)|2018. 01. 23.

Genomics and Rare Diseases참고 문헌 36인용 수 34

한 줄 요약

DeepGestalt은 대규모 얼굴 인식 모델에서의 전이 학습을 활용하고 26,000건 이상의 검증된 임상 사례 데이터베이스에서 미세조정을 통해, 제약 없는 2차원 얼굴 영상에서 희귀 유전성 증후군을 식별하는 딥러닝 프레임워크이다. 이 프레임워크는 215종 이상의 증후군에 대해 91%의 상위 10위 정확도를 기록하며 임상 전문가를 능가하는 성능을 보였다.

ABSTRACT

Facial analysis technologies have recently measured up to the capabilities of expert clinicians in syndrome identification. To date, these technologies could only identify phenotypes of a few diseases, limiting their role in clinical settings where hundreds of diagnoses must be considered. We developed a facial analysis framework, DeepGestalt, using computer vision and deep learning algorithms, that quantifies similarities to hundreds of genetic syndromes based on unconstrained 2D images. DeepGestalt is currently trained with over 26,000 patient cases from a rapidly growing phenotype-genotype database, consisting of tens of thousands of validated clinical cases, curated through a community-driven platform. DeepGestalt currently achieves 91% top-10-accuracy in identifying over 215 different genetic syndromes and has outperformed clinical experts in three separate experiments. We suggest that this form of artificial intelligence is ready to support medical genetics in clinical and laboratory practices and will play a key role in the future of precision medicine.

연구 동기 및 목표

• 제약 없는 2차원 얼굴 영상에서 수백 가지의 희귀 유전성 증후군을 식별할 수 있는 확장 가능한 얼굴 분석 시스템을 개발하는 것.
• 데이터 부족과 모델 일반화 문제로 인해 기존 시스템이 몇 가지 증후군에만 국한되어 있다는 한계를 극복하는 것.
• 희귀 유전성 질환 홣환자의 진단 오디세이를 단축시켜 임상 현장에서 진단 속도와 정확도를 향상시키는 것.
• 임상 유전학자와 비전문가가 AI 기반 표현형 분석을 활용해 더 빠르고 정확한 증후군 진단을 수행할 수 있도록 돕는 것.
• 유사한 얼굴 표현형을 가진 미진단 환자 간의 매칭을 가능하게 하여 새로운 표현형-유전자형 연관성 발견을 지원하는 것.

제안 방법

• Image넷 및 기타 데이터셋에서 사전 훈련된 대규모 얼굴 인식 모델에서 전이 학습을 통해 일반적인 얼굴 표현을 학습하는 것.
• 알려진 유전성 증후군이 있는 26,000건 이상의 검증된 환자 사례로 구성된 코어티드 커뮤니티 기반 데이터베이스에서 사전 훈련된 모델을 미세조정하는 것.
• 얼굴을 여러 영역(눈, 코, 중앙면, 상하부 반절)으로 나누고 국소 표현형 특징을 포착하기 위해 영역별 분류기 학습하는 것.
• 다양한 영역별 모델의 예측을 다수결 투표 앙상블 전략을 사용해 통합함으로써 정확도와 내성 향상하는 것.
• 미세한 얼굴 차이를 가진 증후군 간의 특징 구분 능력을 향상시키기 위해 메트릭 학습 및 고급 손실 함수를 적용하는 것.
• 랜덤 기반 성능과의 비교를 통해 통계적 유의성을 확보하기 위해 순열 검증을 실시하는 것.

실험 결과

연구 질문

• RQ1 얼굴 영상에서 훈련된 딥러닝 모델이 넓고 불균형한 조건 세트에서 희귀 유전성 증후군을 높은 정확도로 식별할 수 있는가?
• RQ2 영역별 얼굴 특징 분석을 통합할 경우 전체 증후군 분류 성능이 전체 얼굴 분석 대비 향상되는가?
• RQ3 특히 희귀 또는 비표준 표현을 보이는 경우, AI 시스템이 임상 전문가를 능가할 수 있는가?
• RQ4 일반적인 얼굴 인식 데이터셋에서의 전이 학습이 자원이 제한된 의료 표현형 분류 과업에서 효과적인 성능을 내는 데 얼마나 기여하는가?
• RQ5 다양하고 제약 없는 환자 영상이 포함된 실제 임상 평가 환경에서 모델의 성능는 어떻게 유지되는가?

주요 결과

• DeepGestalt은 실제 임상 영상 502장으로 구성된 테스트 세트에서 215종 이상의 다양한 유전성 증후군을 식별하는 데 91.0%의 상위 10위 정확도를 기록했다.
• 모델의 상위 1위 정확도는 60.0%였으며, 순열 검증 기반 랜덤 기반 성능(3.0%)보다 유의미하게 높아(p-value = 0), 강력한 통계적 유의성을 보였다.
• 다양한 얼굴 영역의 예측을 통합한 모델은 상위 5위 정확도 83.7%를 기록했으며, 개별 영역 모델보다 뛰어난 성능을 보였다.
• 영역별 성능는 다양했으며, 상부 얼굴(71.12%)과 전체 얼굴(77.49%)에서 높은 결과를 기록했고, 통합 모델은 83.70%의 정확도를 달성했다.
• 세 차례의 별도 실험에서 모델는 임상 전문가를 능가하는 성능을 보였으며, 희귀 및 복잡한 증후군에 대한 진단 능력이 뛰어나다는 것을 입증했다.
• 순열 검증 결과, 상위 10위 예측의 평균 정확도는 17.8%였고, 표준편차는 1.55였으며, 이는 모델의 강건성과 신뢰성을 확인하는 데 기여했다.