[논문 리뷰] DeepHealth: Review and challenges of artificial intelligence in health informatics

Gloria Hyunjung Kwak, Pan Hui|arXiv (Cornell University)|2019. 09. 01.

Machine Learning in Healthcare참고 문헌 311인용 수 20

한 줄 요약

이 논문은 2013년에서 2020년 사이에 인공지능, 특히 딥러닝의 보건 정보학 분야 응용을 종합적으로 검토한다. 주요 분야로는 의료 영상, 전자적 건강기록, 게놈학, 감지 기술, 온라인 건강 커뮤니케이션을 포함한다. 데이터 측면에서 이질성, 희소성, 편향 등의 도전 과제와 모델 설계 측면에서의 해석 가능성, 확장성, 보안성 문제를 규명하면서도, 자동 특징 학습, 개인 맞춤형 위험 예측, 실시간 모니터링 분야의 진전을 강조하며, 신뢰할 수 있고 확장 가능하며 임상 현장에 적용 가능한 AI 시스템 개발을 목표로 한다.

ABSTRACT

Artificial intelligence has provided us with an exploration of a whole new research era. As more data and better computational power become available, the approach is being implemented in various fields. The demand for it in health informatics is also increasing, and we can expect to see the potential benefits of its applications in healthcare. It can help clinicians diagnose disease, identify drug effects for each patient, understand the relationship between genotypes and phenotypes, explore new phenotypes or treatment recommendations, and predict infectious disease outbreaks with high accuracy. In contrast to traditional models, recent artificial intelligence approaches do not require domain-specific data pre-processing, and it is expected that it will ultimately change life in the future. Despite its notable advantages, there are some key challenges on data (high dimensionality, heterogeneity, time dependency, sparsity, irregularity, lack of label, bias) and model (reliability, interpretability, feasibility, security, scalability) for practical use. This article presents a comprehensive review of research applying artificial intelligence in health informatics, focusing on the last seven years in the fields of medical imaging, electronic health records, genomics, sensing, and online communication health, as well as challenges and promising directions for future research. We highlight ongoing popular approaches' research and identify several challenges in building models.

연구 동기 및 목표

• 2013년에서 2020년 사이에 딥러닝의 보건 정보학 분야 응용을 종합적으로 검토하기 위해.
• 실제 임상 현장 적용을 저해하는 데이터 품질과 모델 신뢰성 문제를 규명하기 위해.
• 의료 영상, 전자적 건강기록, 게놈학, 웨어러블 센서 데이터의 자동 분석을 통해 개인 맞춤형 의료를 가능하게 하는 AI의 역할을 검토하기 위해.
• 다양한 보건 환경에 일반화 가능한 해석 가능하고 안전하며 확장 가능한 AI 모델의 필요성을 강조하기 위해.
• 임상 의사결정 지원 및 인구 건강 관리 분야에서의 신뢰할 수 있는 AI를 위한 향후 연구 방향을 제시하기 위해.

제안 방법

• 2013년에서 2020년 사이에 의료 영상, 전자적 건강기록, 게놈학, 감지 기술, 온라인 건강 커뮤니케이션 분야의 동료 심사 논문을 대상으로 체계적 문헌 검토를 수행하였다.
• 수동 전처리 없이 특징 추출을 위한 컨volutional 신경망(CNNs), 오토에코더, 어텐션 메커니즘 등의 딥러닝 아키텍처 분석을 수행하였다.
• 데이터 부족과 레이블 희소성 문제를 해결하기 위해 전이 학습, 다중 모odal 학습, 자기 지도/반자기 지도 학습 기법을 평가하였다.
• 이동 및 클라우드 기반 보건 응용 프로그램에서의 모델 보안성과 실현 가능성을 향상시키기 위해 피어드 학습과 엣지 컴퓨팅을 조사하였다.
• 모델의 해석 가능성 향상과 임상의 신뢰를 제고하기 위해 시각화 기법(예: 어텐션 맵, t-SNE, 샐리언시 맵)을 활용하였다.
• 저자원 및 주로 치료 기반 환경을 포함한 다양한 보건 시스템에서의 모델 확장성 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 의료 영상 및 전자적 건강기록 분야에서 진단 정확도와 개인 맞춤형 치료 예측에 어떻게 향상되었는가?
• RQ2 의료 분야에서 AI 모델의 일반화를 제한하는 주요 데이터 문제들—예를 들어 이질성, 희소성, 편향—은 무엇인가?
• RQ3 딥러닝 모델은 임상 의사결정에 있어 얼마나 해석 가능하고 신뢰할 수 있는 방식으로 개선될 수 있는가?
• RQ4 AI 모델은 자원이 제한된 환경과 주로 치료 기반 환경을 포함한 다양한 보건 시스템에 어떻게 확장하고 구현될 수 있는가?
• RQ5 이동 및 클라우드 기반 보건 시스템에서 안전한 모델 훈련과 배포를 지원하는 새로운 프라이버시 보존 기법—예를 들어 피어드 학습—은 무엇인가?

주요 결과

• 딥러닝 모델은 종양 탐지 및 히파카무스 위축과 같은 구조적 변화 추적과 같은 의료 영상 분석에서 높은 정확도를 보였으며, 전통적 방법보다 뛰어난 성능을 보였다.
• 게놈학 분야에서 딥러닝 모델은 스플라이싱 활성도, DNA 메틸화, 단백질-DNA/RNA 결합 특이성을 성공적으로 예측하여 새로운 생물학적 통찰을 가능하게 하였다.
• AI 모델은 급성 신장 손상과 같은 급성 상태에 대해 실시간 환자 수준의 위험 예측을 가능하게 하였으며, 치료 패키지 조기 완료 시 생존 곡선에서 결과가 향상됨을 보였다.
• 높은 예측 정확도에도 불구하고 딥러닝 모델은 여전히 대부분 해석이 어려운 '블랙박스'로 간주되어 임상 적용과 신뢰를 저해하고 있다.
• 피어드 학습과 엣지 컴퓨팅은 모바일 기기와 생체 센서에서 온 분산 데이터를 기반으로 한 안전하고 프라이버시를 보존하는 모델 훈련을 가능하게 하여 잠재력을 보이고 있다.
• 확장성은 여전히 주요 과제이며, 단일 기관 또는 공개 데이터셋에서 훈련된 모델은 데이터 분포의 변화로 인해 저자원 또는 주로 치료 기반 환경에서는 일반화에 실패하는 경향이 있다.