[논문 리뷰] Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions

Hendrik Burwinkel, H. Matz외 7명|arXiv (Cornell University)|2020. 05. 09.

Machine Learning in Healthcare참고 문헌 30인용 수 2

한 줄 요약

이 논문은 각성된 눈 모델과 물리 기반 손실 함수를 통합한 도메인 특화, 미분 가능한 레이트레이싱 모델을 내재한 새로운 딥러닝 프레임워크인 OpticNet을 제안한다. 정밀한 물리적 눈 모델에서의 비지도 사전 훈련과 이후 실제 환자 데이터에서의 미세조정을 통해 OpticNet은 두 명의 생체측정 데이터셋에서 기존 공식과 표준 신경망보다 뛰어난 성능을 달성하며, 인공지능 기반의 인두내렌즈(IOL) 힘 예측 분야에서 최고의 성능을 보인다.

ABSTRACT

Today, cataract surgery is the most frequently performed ophthalmic surgery in the world. The cataract, a developing opacity of the human eye lens, constitutes the world's most frequent cause for blindness. During surgery, the lens is removed and replaced by an artificial intraocular lens (IOL). To prevent patients from needing strong visual aids after surgery, a precise prediction of the optical properties of the inserted IOL is crucial. There has been lots of activity towards developing methods to predict these properties from biometric eye data obtained by OCT devices, recently also by employing machine learning. They consider either only biometric data or physical models, but rarely both, and often neglect the IOL geometry. In this work, we propose OpticNet, a novel optical refraction network, loss function, and training scheme which is unsupervised, domain-specific, and physically motivated. We derive a precise light propagation eye model using single-ray raytracing and formulate a differentiable loss function that back-propagates physical gradients into the network. Further, we propose a new transfer learning procedure, which allows unsupervised training on the physical model and fine-tuning of the network on a cohort of real IOL patient cases. We show that our network is not only superior to systems trained with standard procedures but also that our method outperforms the current state of the art in IOL calculation when compared on two biometric data sets.

연구 동기 및 목표

• 백내장 수술에서 인두내렌즈(IOL) 힘 예측의 정확도를 향상시키기 위해.
• 순수하게 데이터 기반 또는 물리 기반의 IOL 계산 방법의 한계를 해결하기 위해 두 접근 방식을 통합하기 위해.
• 기존 기계학습 솔루션에서 물리적 일관성 부족과 정밀한 IOL 기하학적 모델링의 부족을 해결하기 위해.
• 제한된 레이블이 부여된 의료 데이터를 활용하기 위해 물리 모델에서의 비지도 사전 훈련을 통해.
• 물리 기반 모델에서 실제 환자 데이터로의 전이 학습을 가능하게 하여 일반화 능력을 향상시키고 과적합을 줄이기 위해.

제안 방법

• 완전한 IOL 기하학적 구조와 광학적 성질을 고려한 도메인 특화, 미분 가능한 단일 레이 레이트레이싱 모델을 제안한다.
• 빛의 전파 물리 법칙에 기반한 새로운 미분 가능한 손실 함수를 설계하여 신경망 내부로 물리적 기울기의 역전파를 가능하게 한다.
• 물리적 제약 조건을 네트워크 가중치에 통합하기 위해 시뮬레이션된 물리적 눈 모델에서의 비지도 사전 훈련을 수행한다.
• 전이 학습 절차를 도입: 사전 훈련된 네트워크를 실제 생체측정 환자 데이터에서 미세조정하여 임상적 변동성에 적응한다.
• 생체측정 눈 데이터를 처리하고 IOL 힘을 예측하기 위해 잔차 U-Net 아키텍처를 사용하여 OpticNet을 설계한다.
• 5겹 교차검증을 통해 성능을 검증하고, 표준 IOL 공식 및 기준 신경망과의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 표준 지도 학습과 비교해 볼 때, 미분 가능한 물리 기반 손실 함수가 IOL 힘 예측 정확도를 향상시킬 수 있는가?
• RQ2 물리적 눈 모델에서의 비지도 사전 훈련이 낮은 데이터 의료 기계학습에서 일반화 능력을 향상시키고 과적합을 줄일 수 있는가?
• RQ3 물리 모델에서 실제 환자 데이터로의 전이 학습이 기존 IOL 계산 공식을 크게 뛰어넘을 수 있는가?
• RQ4 완전한 IOL 기하학과 정밀한 빛의 전파를 통합할 경우 예측 성능에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 다양한 생체측정 데이터 분포, 특히 병합된 데이터셋에서도 견고한가?

주요 결과

• OpticNet는 첫 번째 데이터셋에서 안저 오차의 평균 절대 오차(MAE)가 0.206 D이며, 두 번째 데이터셋에서는 0.264 D를 기록하여, 모든 기준 IOL 공식과 기준 신경망을 뛰어넘는다.
• IOL 예측의 루트 평균 제곱 오차(RMSE)는 첫 번째 데이터셋에서 0.402 D, 두 번째 데이터셋에서는 0.551 D로 감소하여, 심지어 Barrett Universal II 공식조차도 뛰어넘는다.
• 물리적 사전 훈련이 없는 표준 신경망(Solo NN)은 심각한 과적합을 보이며, 첫 번째 데이터셋에서 RMSE가 0.759 D, 두 번째 데이터셋에서는 0.916 D로 나타나 일반화 능력이 열악하다는 것을 시사한다.
• OpticNet의 성능은 대부분의 경우 통계적으로 모든 기준 공식보다 뛰어나며(p < 0.001), 오직 더 작은 데이터셋에서 HofferQ에 대해서만 약간의 p-값 0.08을 보였다.
• 물리 기반 레이트레이서(Raytracer)만으로도 대부분의 공식보다 우수한 성능를 보였지만, OpticNet에 의해 뛰어넘어 물리 모델링과 학습된 적응의 조합이 유의미한 이점을 제공한다는 것을 입증한다.
• 전이 학습 절차 덕분에 OpticNet은 데이터셋 간에 일반화가 가능했으며, 두 데이터셋을 병합했을 때 가장 뛰어난 성능(평균 절대 오차(MAE) 0.249 D)을 기록했다.