[논문 리뷰] Machine learning-based analysis of hyperspectral images for automated sepsis diagnosis

Maximilian Dietrich, Silvia Seidlitz외 17명|arXiv (Cornell University)|2021. 06. 15.

Optical Imaging and Spectroscopy Techniques참고 문헌 42인용 수 7

한 줄 요약

이 연구는 팔과 대퇴부에서 확득한 스펙트럼 서명을 바탕으로 선형 판별 분석(LDA)을 사용하여 고광스펙트럼 영상(HSI) 데이터로부터 패혈증을 분류하는 데 기계학습이 98% 이상의 정확도를 달성할 수 있음을 보여준다. 尽管 높은 성능을 보였지만, 저자들은 향후 연구에서 고려되지 않을 경우 알고리즘 정확도를 과대평가할 수 있는 다수의 환자, 치료, 영상 관련 혼동요인을 밝혀냈다.

ABSTRACT

Sepsis is a leading cause of mortality and critical illness worldwide. While robust biomarkers for early diagnosis are still missing, recent work indicates that hyperspectral imaging (HSI) has the potential to overcome this bottleneck by monitoring microcirculatory alterations. Automated machine learning-based diagnosis of sepsis based on HSI data, however, has not been explored to date. Given this gap in the literature, we leveraged an existing data set to (1) investigate whether HSI-based automated diagnosis of sepsis is possible and (2) put forth a list of possible confounders relevant for HSI-based tissue classification. While we were able to classify sepsis with an accuracy of over $98\,\%$ using the existing data, our research also revealed several subject-, therapy- and imaging-related confounders that may lead to an overestimation of algorithm performance when not balanced across the patient groups. We conclude that further prospective studies, carefully designed with respect to these confounders, are necessary to confirm the preliminary results obtained in this study.

연구 동기 및 목표

• 기계학습이 고광스펙트럼 영상(HSI) 데이터를 활용하여 자동 패혈증 진단을 가능하게 할 수 있는지 조사하기 위해.
• HSI 기반 패혈증 분류에 영향을 줄 수 있는 잠재적 혼동요인—환자 관련, 치료 관련, 영상 관련—을 식별하고 분석하기 위해.
• 이러한 혼동요인들이 모델 성능에 미치는 영향을 평가하여 HSI 기반 기계학습 모델의 일반화 가능성을 평가하기 위해.
• 향후 prospective 연구를 위한 프레임워크를 제공하여, 식별된 혼동요인을 고려함으로써 강력하고 신뢰할 수 있는 알고리즘 개발을 보장하기 위해.
• 초기 패혈증 탐지에 있어 HSI와 디지털 환자 데이터의 진단 잠재력을 비교하고, 조기에 prospective 데이터를 수집할 필요성을 부각하기 위해.

제안 방법

• 헤이델베르크 대학 병원의 기존 HSI 데이터셋을 활용하여, 패혈증 환자, 췌장 수술 환자, 건강한 대조군 환자의 손바닥과 대퇴부에서 확득한 스펙트럼 영상 포함.
• 모든 환자에서 추출한 중앙 스펙트럼 서명을 바탕으로 선형 판별 분석(LDA)을 적용하여 패혈증을 분류.
• 환자군 간 임상 및 영상 변수의 분포를 비교하여 체계적인 혼동요인 분석 수행 (패혈증, 수술, 건강 대조군).
• 상자 그림 및 스웜 플롯을 사용하여 혼동요인을 시각화하였으며, 이는 정적/동적 환자 요인(나이, 체질량지수(BMI), 평균동맥압(MAP), SpO2, 헤모글로빈(Hb), 빌리루빈), 치료 요인(체액 균형, VIS, 통기 상태), 영상 요인(촬영 시간, 소프트웨어 버전) 포함.
• 이격광선 탐지 알고리즘을 사용하여 광학적 아티팩트에 영향을 받은 영상을 식별하고 제외.
• 시간적 및 기술적 변동성(예: 2019년 11월 소프트웨어 업데이트)이 스펙트럼 데이터 일관성에 미치는 영향 평가.

실험 결과

연구 질문

• RQ1 기계학습을 통해 피부 조직의 고광스펙트럼 영상(HSI) 데이터를 활용하여 고정확도의 자동 패혈증 진단이 가능할 수 있는가?
• RQ2 HSI 기반 패혈증 분류에서 어떤 환자, 치료, 영상 관련 요인이 혼동요인으로 작용하며, 이는 모델 성능에 어떻게 영향을 주는가?
• RQ3 나이, 순환계 매개변수 또는 영상 소프트웨어 버전과 같은 혼동 변수가 분류 결과에 얼마나 큰 편향을 유도하는가?
• RQ4 패혈증 환자의 스펙트럼 서명은 건강한 대조군 및 수술 대조군과 어떻게 다를 수 있으며, 이러한 차이는 혼동요인을 고려할 때도 견고한가?
• RQ5 이러한 혼동요인은 HSI 기반 패혈증 진단 알고리즘의 일반화 및 임상적 적용에 어떤 영향을 미치는가?

주요 결과

• LDA 기반 기계학습 모델은 기존 데이터셋에서 패혈증 분류 정확도가 98%를 초과하였다.
• 나이, 체질량지수(BMI), 평균동맥압(MAP), SpO2, 헤모글로빈(Hb), 빌리루빈, 체액 균형, VIS, 통기 상태 등 다수의 혼동요인이 확인되어 모델 성능에 영향을 줄 수 있다.
• 촬영 시간 및 소프트웨어 버전 변화(특히 2019년 11월)와 같은 영상 관련 혼동요인이 스펙트럼 데이터 및 LDA 투영에 상당한 영향을 미쳤다.
• 이격광선 아티팩트는 주로 패혈증 및 췌장 수술 환자에서 유래한 일부 영상에만 영향을 주었으며, 체계적으로 탐지되어 제외되었다.
• 연구에서는 환자군 간 순환계 및 대사 매개변수의 차이로 인한 혼동 변수가 균형이 맞지 않을 경우 알고리즘 성능이 과대평가될 수 있음을 밝혀냈다.
• 저자들은 향후 prospective 연구에서 이러한 혼동요인을 철저히 제어해야 이 연구에서 관찰된 높은 성능이 실제로 검증될 수 있을 것이라고 결론을 내렸다.