[논문 리뷰] Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries

Carla Sendra-Balcells, Víctor M. Campello외 18명|arXiv (Cornell University)|2022. 09. 20.

Artificial Intelligence in Healthcare and Education인용 수 5

한 줄 요약

이 연구는 고자원 스페인 데이터에서 훈련된 태반 초음파 딥러닝 모델의 일반화 능력을 향상시키기 위해 전이학습을 평가한다. 이는 저자원 아프리카 임상 환경에서의 활용을 목적으로 한다. 소규모 아프리카 데이터셋(국가별 25명의 환자)으로 모델을 미세조정함으로써, 다섯 개의 아프리카 국가에서 높은 재현율(0.92±0.04)과 정밀도를 달성하였다. 이는 전이학습이 자원이 제한된 모성-태반 영상 환경에서 인공지능을 구현하는 데 실현 가능한 해결책임을 보여준다.

ABSTRACT

Most artificial intelligence (AI) research have concentrated in high-income countries, where imaging data, IT infrastructures and clinical expertise are plentiful. However, slower progress has been made in limited-resource environments where medical imaging is needed. For example, in Sub-Saharan Africa the rate of perinatal mortality is very high due to limited access to antenatal screening. In these countries, AI models could be implemented to help clinicians acquire fetal ultrasound planes for diagnosis of fetal abnormalities. So far, deep learning models have been proposed to identify standard fetal planes, but there is no evidence of their ability to generalise in centres with limited access to high-end ultrasound equipment and data. This work investigates different strategies to reduce the domain-shift effect for a fetal plane classification model trained on a high-resource clinical centre and transferred to a new low-resource centre. To that end, a classifier trained with 1,792 patients from Spain is first evaluated on a new centre in Denmark in optimal conditions with 1,008 patients and is later optimised to reach the same performance in five African centres (Egypt, Algeria, Uganda, Ghana and Malawi) with 25 patients each. The results show that a transfer learning approach can be a solution to integrate small-size African samples with existing large-scale databases in developed countries. In particular, the model can be re-aligned and optimised to boost the performance on African populations by increasing the recall to $0.92\pm0.04$ and at the same time maintaining a high precision across centres. This framework shows promise for building new AI models generalisable across clinical centres with limited data acquired in challenging and heterogeneous conditions and calls for further research to develop new solutions for usability of AI in countries with less resources.

연구 동기 및 목표

• 특히 서아프리카에서 저자원 모성-태반 영상 환경에서 일반화 가능한 AI의 부족을 해결한다.
• 고품질 스페인 초음파 데이터에서 훈련된 딥러닝 모델이 저자원 아프리카 임상 센터로 이식 가능한지 타당성을 조사한다.
• 각 센터 간 영상 장비, 프로토콜, 환자 집단의 차이로 인한 도메인 이동 문제를 해결한다.
• 전이학습과 도메인 적응을 통해 이질적인 아프리카 데이터셋에서의 모델 성능을 향상시킨다.
• 필요가 높은 저자원 의료 환경에서 AI를 구현하기 위한 확장 가능한 프레임워크를 개발한다.

제안 방법

• 스페인의 고자원 환경에서 1,792건의 태반 초음파 영상으로 딥러닝 분류기 훈련.
• 최적 조건에서 고자원 덴마크 데이터셋(1,008건의 영상)에서 사전 훈련된 모델 평가.
• 이질적인 아프리카 국가 다섯 곳( Egyptians, Algeria, Uganda, Ghana, Malawi)에서 각각 25명의 환자로 구성된 소규모 아프리카 데이터셋으로 사전 훈련된 모델의 미세조정.
• 초기 레이어를 동결하고 마지막 네 레이어만 미세조정하여 새로운 영상 분포에 적응하도록 전이학습 적용.
• 공통 해부학적 특징을 우선시하고 현지화된 영상 편향을 줄이기 위해 공유 표현 학습을 활용.
• 제한된 데이터와 이질적인 촬영 조건에도 불구하고 아프리카 데이터셋에서 예측 성능을 최대화할 수 있도록 모델 가중치 최적화.

실험 결과

연구 질문

• RQ1 고자원 스페인 초음파 데이터에서 훈련된 딥러닝 모델이 저자원 아프리카 임상 환경으로 효과적으로 일반화될 수 있는가?
• RQ2 아프리카 데이터에서의 성능 측면에서, 미세조정을 통한 전이학습이 병합 데이터셋으로의 초기 학습 또는 공동 학습 대비 어떻게 비교되는가?
• RQ3 전이학습을 통해 고자원과 저자원 영상 환경 간의 도메인 이동 문제를 어느 정도 완화할 수 있는가?
• RQ4 소규모 아프리카 데이터셋으로 미세조정했을 때 재현율과 정밀도에서 기대할 수 있는 성능 향상은 어느 정도인가?
• RQ5 제한된 데이터와 이질적인 영상 조건이 있는 다양한 아프리카 임상 센터에서 단일 사전 훈련된 모델이 견고한 성능을 달성할 수 있는가?

주요 결과

• 스페인에서 사전 훈련된 모델는 적응 없이 그대로 아프리카 센터에 적용했을 때 일반화 능력이 열악했다.
• 소규모 아프리카 데이터셋(국가별 25명의 환자)으로 사전 훈련된 모델를 미세조정함으로써 성능이 크게 향상되었으며, 다섯 개의 아프리카 센터에서 평균 재현율 0.92±0.04를 달성하였다.
• 모든 아프리카 현장에서 정밀도가 높은 수준을 유지하여 태반 평면의 신뢰할 수 있는 탐지가 가능했다.
• 마지막 네 레이어의 미세조정을 통한 전이학습이 병합 데이터셋으로의 공동 학습 또는 초기 학습 대비 뛰어난 성능을 보였다.
• 공유 표현 학습이 현지화된 영상 패tern을 효과적으로 줄였으며, 임상적으로 중요한 해부학적 특징을 유지하였다.
• 제한된 데이터와 계산 자원으로도 높은 성능을 달성할 수 있도록 해주므로, 이 프레임워크는 저자원 환경에서 AI를 구현하는 데 강력한 잠재력을 보여준다.