[논문 리뷰] Development of Risk-Free COVID-19 Screening Algorithm from Routine Blood Test using Ensemble Machine Learning.

Md. Mohsin Sarker Raihan, Md. Mohi Uddin Khan외 2명|arXiv (Cornell University)|2021. 08. 12.

COVID-19 diagnosis using AI참고 문헌 12인용 수 5

한 줄 요약

이 연구는 일반 혈액 검사에서 코로나19를 감지하는 데 100%의 정확도, 정밀도, 재현율, F1 점수를 달성하는 스택드 앙상블 기계학습 모델을 제안하며, 자원이 제한된 환경에서 PCR 및 항원 검사가 이용할 수 없는 곳에서도 저비용, 확장 가능하고 위험이 없는 선별 솔루션을 제공한다.

ABSTRACT

The Reverse Transcription Polymerase Chain Reaction (RTPCR) test is the silver bullet diagnostic test to discern COVID infection. Rapid antigen detection is a screening test to identify COVID positive patients in little as 15 minutes, but has a lower sensitivity than the PCR tests. Besides having multiple standardized test kits, many people are getting infected & either recovering or dying even before the test due to the shortage and cost of kits, lack of indispensable specialists and labs, time-consuming result compared to bulk population especially in developing and underdeveloped countries. Intrigued by the parametric deviations in immunological & hematological profile of a COVID patient, this research work leveraged the concept of COVID-19 detection by proposing a risk-free and highly accurate Stacked Ensemble Machine Learning model to identify a COVID patient from communally available-widespread-cheap routine blood tests which gives a promising accuracy, precision, recall & F1-score of 100%. Analysis from R-curve also shows the preciseness of the risk-free model to be implemented. The proposed method has the potential for large scale ubiquitous low-cost screening application. This can add an extra layer of protection in keeping the number of infected cases to a minimum and control the pandemic by identifying asymptomatic or pre-symptomatic people early.

연구 동기 및 목표

• 개발도상국 및 낙후된 국가에서 RTPCR 및 항원 검사의 글로벌 수요 부족과 높은 비용 문제를 해결하기 위해.
• 일반적으로 이용 가능한 저비용의 일반 혈액 검사 자료를 활용해 무증상 및 전증상 코로나19 환자를 조기에 식별하기 위해.
• 기존 진단 방법을 보완할 수 있는 매우 정확하고 위험이 없으며 확장 가능한 선별 도구를 개발하기 위해.
• 특수한 실험실 또는 시약에 의존하지 않고 대규모 인구 선별을 가능하게 하여 전파를 줄이기 위해.

제안 방법

• 다양한 기본 모델을 순차적으로 스택하여 예측 성능을 향상시키는 기계학습 앙상블 프레임워크를 구축하였다.
• 모델은 면역학적 및 혈액학적 매개변수를 포함한 일반 혈액 검사 데이터를 입력 특성으로 활용하였다.
• 다양한 기본 추정기의 예측을 결합하여 전체 분류 정확도를 최적화하는 스태킹 메타-러닝 기반의 모델을 구성하였다.
• 모델는 확진된 코로나19 환자와 건강한 대조군의 일반 혈액 검사 결과 데이터셋을 기반으로 학습 및 검증하였다.
• 표준 평가 지표인 정확도, 정밀도, 재현율, F1 점수를 사용하여 모델 성능을 평가하였다.
• 모델의 정밀도와 신뢰성을 선별 응용 분야에서 검증하기 위해 R-곡선 분석을 실시하였다.

실험 결과

연구 질문

• RQ1 특수한 키트나 실험실 인프라 없이도 일반 혈액 검사 데이터로 코로나19를 정확하게 감지할 수 있는가?
• RQ2 앙상블 기계학습 모델이 표준 혈액 프로파일에서 무증상 또는 전증상 코로나19 환자를 거의 완벽한 성능으로 식별할 수 있는가?
• RQ3 제안된 스택드 앙상블 모델은 코로나19 선별에 있어 개별 모델 대비 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ4 이 모델이 자원이 제한된 환경에서 얼마나 큰 규모로 저비용이고 위험이 없는 대규모 인구 선별을 지원할 수 있는가?

주요 결과

• 제안된 스택드 앙상블 모델은 일반 혈액 검사에서 코로나19 감지를 위해 100%의 정확도, 정밀도, 재현율, F1 점수를 달성하였다.
• R-곡선 분석을 통해 모델의 뛰어난 신뢰성과 정밀도가 확인되었다.
• 무증상 및 전증상 환자의 조기 감지가 가능하여 팬데믹 통제에 매우 중요하다.
• 일반적으로 이용 가능한 저비용 혈액 검사에 의존하므로 자원이 제한된 환경에서의 배포에 적합한 확장 가능한 접근 방식이다.
• 특수한 시약이나 훈련된 인력이 필요 없기 때문에 PCR 및 항원 검사에 대한 위험이 없는 대체 수단을 제공한다.
• 결과적으로 이 방법이 전파율 감소에 추가적인 보호층으로 기능할 잠재력이 있음을 시사한다.