[논문 리뷰] Fully-automated patient-level malaria assessment on field-prepared thin blood film microscopy images, including Supplementary Information

Charles B. Delahunt, Mayoore S. Jaiswal외 23명|arXiv (Cornell University)|2019. 08. 05.

Digital Imaging for Blood Diseases인용 수 6

한 줄 요약

이 논문은 현장에서 준비한 얇은 혈액 도말 현미경 영상에 대해 환자 수준의 말라리아 평가를 위한 완전 자동화된 기계학습 기반 시스템을 제시한다. 컨volutional 신경망(CNNs)과 기울기 부스팅 트리 기반으로 고리상 기생충과 후기 단계 기생충을 탐지하며, 약물 내성 모니터링 및 임상 적용에 적합한 정량 정확도를 갖춘 높은 민감도와 특이도를 달성한다.

ABSTRACT

Malaria is a life-threatening disease affecting millions. Microscopy-based assessment of thin blood films is a standard method to (i) determine malaria species and (ii) quantitate high-parasitemia infections. Full automation of malaria microscopy by machine learning (ML) is a challenging task because field-prepared slides vary widely in quality and presentation, and artifacts often heavily outnumber relatively rare parasites. In this work, we describe a complete, fully-automated framework for thin film malaria analysis that applies ML methods, including convolutional neural nets (CNNs), trained on a large and diverse dataset of field-prepared thin blood films. Quantitation and species identification results are close to sufficiently accurate for the concrete needs of drug resistance monitoring and clinical use-cases on field-prepared samples. We focus our methods and our performance metrics on the field use-case requirements. We discuss key issues and important metrics for the application of ML methods to malaria microscopy.

연구 동기 및 목표

• 낮은 품질과 높은 변동성을 보이는 현장에서 준비한 얇은 혈액 도말 현미경 영상로 인해 신뢰할 수 있는 수동 및 자동 진단이 어려운 문제를 해결한다.
• 작은 데이터셋, 완전하지 않은 평가 지표, 개체 수준 평가에 국한된 기존 자동 말라리아 탐지 시스템의 한계를 극복한다.
• 얇은 도말을 사용하여 기생충 정량 및 종별 식별을 지원하는 환자 수준의 말라리아 평가를 위한 완전한 엔드 투 엔드 프레임워크를 개발한다.
• 대규모 현장 데이터와 환자 수준의 성능 지표를 활용하여 진단 정확도와 재현 가능성을 향상시키고, 자원이 제한된 환경에서 전문 현미경 검사자의 의존도를 줄인다.

제안 방법

• 다중 척도 컨volution 커널(인셉션의 영감을 받음)을 사용한 고리상 기생충 탐지를 위한 복수의 깊이 신경망 브랜치와, 스트라이드 컨볼루션을 사용한 완전 컨볼루션 아키텍처를 사용한 후기 단계 기생충 탐지를 위한 별도의 브랜치를 훈련한다.
• 현미경 시야(FoV) 품질 제어, 적혈구(RBC) 수세기, 개체 탐지, 혼란 요소 필터링, CNN 기반 분류를 포함한 다단계 파이프라인을 구현한다.
• 예측을 정밀화하고 종별 식별을 지원하기 위해 기울기 부스팅 트리를 적용하며, 양 브랜치의 결과를 브랜치 조율 모듈을 통해 통합한다.
• 부정확한 애너테이션에도 불구하고 민감도 계산이 안정적으로 이루어질 수 있도록, 검증 시 놓친 기생충을 혼란 요소로 간주하는 환자 수준의 평가 프레임워크를 사용한다.
• 상대 표준 오차 공식을 사용해 정량화 과정에서의 불가피한 포isson 오차를 정량화한다: $ \text{relErr}(P,N) = \frac{\sigma(B(p,N))}{\mu(B(p,N))} $, 여기서 $ p = P / 5\times10^6 $ 이고 $ N $ 은 검사한 적혈구 수이다.
• 두 브랜치의 최고 점수를 받은 영역의 모자이크 스냅샷을 포함한 의사결정 지원 보고서를 생성하여 자원이 제한된 환경에서 현미경 검사자에게 도움을 준다.

실험 결과

연구 질문

• RQ1 이미지 품질의 변동성과 높은 잡음 비율에도 불구하고, 현장에서 준비한 얇은 혈액 도말 영상에서 완전 자동화된 시스템이 환자 수준의 기생충 정량 및 종별 식별 정확도를 달성할 수 있는가?
• RQ2 특히 고도의 기생충 혈증 수준에서, 자동화된 시스템의 정량 정밀도는 수동 현미경 검사에 비해 어떻게 비교되는가?
• RQ3 인간 현미경 검사자가 검사하는 것보다 더 큰 혈액 부피를 분석함으로써 기계학습 모델이 기생충 수 세기의 포isson 변동성을 얼마나 줄일 수 있는가?
• RQ4 실제 임상 및 감시 환경에서 자동 말라리아 현미경 검사 시스템을 평가하기 위해 가장 적절한 평가 지표는 무엇인가?
• RQ5 CNN과 기울기 부스팅 트리를 조합한 하이브리드 모델이 복잡하고 잡음이 많은 현장 영상에서 탐지 정확도를 향상시키고 임의의 양성 결과를 줄일 수 있는가?

주요 결과

• 시스템은 고리상 기생충과 후기 단계 기생충 탐지에서 높은 민감도와 특이도를 기록하며, 임상 및 약물 내성 모니터링 응용에 적합한 성능을 보인다.
• 수동 현미경 검사의 약 1,000개의 적혈구 수세기 대비 환자당 10,000~20,000개의 적혈구를 검사할 수 있어 정량 정확도가 크게 향상된다.
• 자동화된 시스템에서의 상대 표준 오차는 특히 16k–80k/μL 기생충 혈증 범위에서 상대적으로 낮아지며, 인간 검사자가 검사하는 것보다 더 큰 혈액 부피를 분석하기 때문이다.
• 민감도 및 단위 혈액당 임의의 양성 결과 비율을 포함한 환자 수준의 지표를 사용함으로써 평가가 실제 임상적 필요와 일치하고, 개체 수준 보고서에서 발생하는 편향을 피할 수 있다.
• 모자이크 스냅샷을 포함한 시스템의 출력 보고서는 자원이 제한된 환경에서 인간 현미경 검사자에게 실질적인 시각적 가이던스를 제공한다.
• 변동하는 적혈구 형태, 응집, 잡음이 있는 현장 준비 슬라이드를 효과적으로 처리하여 실제 환경 조건에서의 강건성을 입증한다.