[논문 리뷰] Machine Learning and Deep Learning Methods for Building Intelligent Systems in Medicine and Drug Discovery: A Comprehensive Survey

G. Jignesh Chowdary, G. Suganya외 3명|arXiv (Cornell University)|2021. 07. 19.

COVID-19 diagnosis using AI참고 문헌 106인용 수 7

한 줄 요약

이 종합적 서베이는 심장내과, 종양학, 영상의학, 피부과를 포함한 16개의 의료 전문분야와 약물 발견 분야에서의 기계학습 및 딥러닝 응용을 검토하며, 질병 진단과 워크플로우 최적화를 위한 CNN, RNN, GAN 등의 모델을 평가합니다. 주요 추세, 데이터셋, 임상적 영향을 규명하여 헬스케어 분야의 인공지능 기반 진단 시스템에 대한 체계적인 개요를 제공합니다.

ABSTRACT

With the advancements in computer technology, there is a rapid development of intelligent systems to understand the complex relationships in data to make predictions and classifications. Artificail Intelligence based framework is rapidly revolutionizing the healthcare industry. These intelligent systems are built with machine learning and deep learning based robust models for early diagnosis of diseases and demonstrates a promising supplementary diagnostic method for frontline clinical doctors and surgeons. Machine Learning and Deep Learning based systems can streamline and simplify the steps involved in diagnosis of diseases from clinical and image-based data, thus providing significant clinician support and workflow optimization. They mimic human cognition and are even capable of diagnosing diseases that cannot be diagnosed with human intelligence. This paper focuses on the survey of machine learning and deep learning applications in across 16 medical specialties, namely Dental medicine, Haematology, Surgery, Cardiology, Pulmonology, Orthopedics, Radiology, Oncology, General medicine, Psychiatry, Endocrinology, Neurology, Dermatology, Hepatology, Nephrology, Ophthalmology, and Drug discovery. In this paper along with the survey, we discuss the advancements of medical practices with these systems and also the impact of these systems on medical professionals.

연구 동기 및 목표

• 심장내과, 종양학, 영상의학, 피부과를 포함한 16개 의료 전문분야에서의 기계학습 및 딥러닝 응용을 체계적으로 검토하기 위해.
• 딥러닝 아키텍처인 CNN, RNN, GAN 등의 역할이 임상 환경에서 진단 정확도와 워크플로우 효율성을 향상시키는 데 어떻게 기여하는지 분석하기 위해.
• 의료 전문가들에 대한 AI 기반 시스템의 영향, 진단 지원, 의사결정 지원, 수술 보조 기능을 평가하기 위해.
• 의료 영상 및 임상 데이터셋을 훈련 및 검증하기 위해 필수적인 공개된 의료 영상 및 임상 데이터셋을 수집하고 검토하기 위해.
• 의료 및 약물 발견 분야에서 신뢰성 있고 일반화 가능하며 임상 현장에 구현 가능한 AI 시스템을 개발하기 위한 연구 격차와 향후 방향성 규명하기 위해.

제안 방법

• IEEE, Elsevier, ACM, Springer 데이터베이스에서 '기계학습', '딥러닝', 전문분야별 용어 등 키워드를 사용해 체계적인 문헌 검토를 수행함.
• 감독학습 및 비감독학습 기반의 학습 파라다임을 활용해 질병 진단, 영상 분할, 약물 발견 분야에서의 기계학습 및 딥러닝 모델을 분류하고 분석함.
• 의료 영상 분류 및 분할을 위한 컨volutional 네ural 네트워크(CNNs), 심전도 및 음성과 같은 순차적 데이터를 위한 순환신경망(RNNs), 데이터 증강 및 합성 영상 생성을 위한 GANs를 포함한 딥러닝 아키텍처를 평가함.
• ChestXpert, MIMIC-CXR, fastMRI, Medical Segmentation Decathlon를 포함한 36개의 공개된 의료 데이터셋을 검토하여 모델 훈련을 위한 데이터 가용성과 품질을 평가함.
• 공개된 연구에서 보고된 AUC, 정확도, F1-score 등의 지표를 활용해 전문분야별로 모델 성능을 맵핑함.
• 하이브리드 모델, 앙상블 방법, 임상의와의 협업을 강조하는 지능형 진단 시스템 프레임워크로 통합된 결과를 도출함.

실험 결과

연구 질문

• RQ1 기계학습 및 딥러닝 모델은 다양한 의료 전문분야에서 진단 정확도와 워크플로우 효율성을 어떻게 향상시키는가?
• RQ2 종양 탐지, 장기 분할, 심전도 분석과 같은 특정 의료 작업에 가장 효과적인 딥러닝 아키텍처(예: CNN, RNN, GAN)는 무엇인가?
• RQ3 의료 영상 및 임상 데이터에서 AI 모델의 훈련 및 벤치마킹을 위해 가장 널리 사용되고 효과적인 공개 데이터셋은 무엇인가?
• RQ4 하이브리드 및 앙상블 모델은 복잡한 질병 예측에서 단일 모델 접근 방식에 비해 진단 성능을 어떻게 향상시키는가?
• RQ5 다양한 전문분야에서 의료 실무에 AI 시스템을 통합함에 있어 임상적 영향과 윤리적 고려사항은 무엇인가?

주요 결과

• CNN은 다수의 연구에서 폐 결절 및 종양 탐지에 AUC 값 0.90 이상을 기록하며 높은 성능을 보였음.
• GAN은 데이터 부족 문제를 해결하기 위해 합성 의료 영상을 생성함으로써, 낮은 데이터 환경에서 모델의 일반화 능력을 향상시키고 과적합을 감소시킴.
• XGBoost, SVM, CNN 등을 조합한 앙상블 방법은 다중 클래스 질병 예측 작업에서 개별 모델 대비 진단 정확도를 5~10% 향상시킴.
• ChestXpert, MIMIC-CXR, Medical Segmentation Decathlon와 같은 공개 데이터셋은 다양한 전문분야에서 재현 가능한 벤치마킹과 모델 개발 가속화를 가능하게 함.
• AI 시스템은 당뇨성 망막병증, 폐암, 뇌출혈과 같은 질병의 조기 진단 잠재력을 보였으며, 일부 모델은 방사선 전문의 수준의 성능을 도달하거나 초월함.
• 임상 워크플로우에 AI 시스템을 통합함으로써 진단 시간 단축, 일관성 향상, 심한 심장질환(HCM) 및 급성호흡부족증후군(ARDS)과 같은 복잡한 질환에서의 조기 간병이 가능함.