[논문 리뷰] Explainable AI based Glaucoma Detection using Transfer Learning and LIME

Touhidul Islam Chayan, Anita Islam외 4명|arXiv (Cornell University)|2022. 10. 07.

Retinal Imaging and Analysis인용 수 8

한 줄 요약

이 논문은 ResNet50 기반의 전이 학습을 사용한 논현성 감지 모델을 제안하며, 검증 정확도 94.71%를 달성하고, 딥러닝의 블랙박스 성향을 해결하기 위해 LIME를 통합하여 해석 가능성을 높였다. 이 시스템은 망막도상 영상에서 예측에 영향을 주는 핵심 특징을 시각화함으로써 임상적 신뢰를 향상시킨다.

ABSTRACT

Glaucoma is the second driving reason for partial or complete blindness among all the visual deficiencies which mainly occurs because of excessive pressure in the eye due to anxiety or depression which damages the optic nerve and creates complications in vision. Traditional glaucoma screening is a time-consuming process that necessitates the medical professionals' constant attention, and even so time to time due to the time constrains and pressure they fail to classify correctly that leads to wrong treatment. Numerous efforts have been made to automate the entire glaucoma classification procedure however, these existing models in general have a black box characteristics that prevents users from understanding the key reasons behind the prediction and thus medical practitioners generally can not rely on these system. In this article after comparing with various pre-trained models, we propose a transfer learning model that is able to classify Glaucoma with 94.71\% accuracy. In addition, we have utilized Local Interpretable Model-Agnostic Explanations(LIME) that introduces explainability in our system. This improvement enables medical professionals obtain important and comprehensive information that aid them in making judgments. It also lessen the opacity and fragility of the traditional deep learning models.

연구 동기 및 목표

• 수동 스크리닝에 소요되는 시간을 줄이기 위해 논현성 분류를 자동화한다.
• 의료 전문가가 모델 예측에 대한 해석 가능한 통찰을 확보하여 AI 기반 진단에 대한 신뢰를 높인다.
• 수동 평가를 해석 가능한 AI 시스템으로 대체함으로써 노동력 부담과 인간 오류를 감소시킨다.
• 특히 개구 논현성의 조기 발견을 향상시켜 돌이킬 수 없는 시력 손실을 방지한다.
• 딥러닝 모델의 투명성 부족 문제를 해결하기 위해 국소 해석 가능 모델-독립 해석(LIME)을 통합하여 특징 수준의 해석 가능성을 확보한다.

제안 방법

• 기본 논현성 망막도상 영상 데이터셋에 대해 VGG-16, VGG-19, DenseNet121, InceptionV3, ResNet50 등의 사전 훈련된 CNN 모델을 미세조정하였다.
• ImageNet 사전 훈련 가중치를 사용한 전이 학습을 통해 50에포크 훈련 스케줄을 적용하여 논현성 분류에 적합한 모델을 구축하였다.
• 모델 훈련 최적화를 위해 Adam 옵timizer를 사용하고 기본 학습률을 1e-5로 설정하였다.
• 입력 영상을 변형하여 특징 기여도를 분석함으로써 로컬이고 인스턴스 수준의 설명을 생성하기 위해 LIME를 적용하였다.
• 분류 결정에 가장 영향을 주는 영역을 강조하는 시각적 열매 지도를 생성하였다.
• 논현성 및 비논현성 클래스 모두에서 정확도, 손실 및 오분류 비율을 사용해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 전이 학습을 사용할 때 망막도상 영상에서 논현성 감지에 가장 우수한 성능을 보이는 사전 훈련된 딥러닝 모델은 무엇인가?
• RQ2 LIME는 딥러닝 기반 논현성 감지 시스템에서 해석 가능성을 어떻게 향상시키는가?
• RQ3 LIME 통합이 AI 기반 논현성 진단에 대한 임상적 신뢰도에 얼마나 기여하는가?
• RQ4 모델 아키텍처는 논현성 분류 작업에서 일반화 능력과 과적합에 어떤 영향을 미치는가?
• RQ5 오분류된 이미지의 특징 중요도 패턴은 정확히 분류된 이미지와 어떻게 다를까?

주요 결과

• ResNet50가 검증 정확도 94.71%로 가장 높은 성능을 보였으며, VGG-19(93.31%), VGG-16(88.63%), InceptionV3(86.42%), DenseNet121(86.81%)를 모두 앞섰다.
• ResNet50는 검증 세트에서 오분류가 전혀 없었고, 논현성 및 비논현성 클래스 모두에서 100% 정확도를 기록했다.
• VGG-19는 93.31%의 검증 정확도를 기록했으며, 테스트 세트에서 오직 3건의 오분류 사례만 기록했다.
• LIME는 망막도상 영상에서 예측에 가장 기여한 영역을 강조함으로써 국소적이고 인간이 이해할 수 있는 설명을 성공적으로 생성했다.
• 모델의 예측은 시각적으로 설명 가능했으며, LIME는 논현성 감지에 있어 핵심적인 분류 특징으로 망막 신경절 및 신경절 충만부를 식별했다.
• LIME 통합으로 인해 모델의 투명도가 크게 향상되어 임상의들이 망막도상 영상의 해부학적 기준점을 바탕으로 예측을 검증할 수 있게 되었다.