[논문 리뷰] Machine learning based disease diagnosis: A comprehensive review

Md Manjurul Ahsan, Zahed Siddique|arXiv (Cornell University)|2021. 12. 31.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 종합적 리뷰는 2012년에서 2021년까지 기계학습(ML) 및 딥러닝(DL)의 질병 진단 응용을 분석하며 주요 추세, 알고리즘, 데이터 유형을 규명한다. 연구 결과, 컨volutional 신경망(CNN)이 가장 널리 사용되고 효과적인 방법으로 밝혀졌으며, 질병 검출 정확도가 90% 이상을 기록했으며, 주로 암, 당뇨병, 심장질환 및 코로나19에 초점이 맞춰져 있다.

ABSTRACT

Globally, there is a substantial unmet need to diagnose various diseases effectively. The complexity of the different disease mechanisms and underlying symptoms of the patient population presents massive challenges to developing the early diagnosis tool and effective treatment. Machine Learning (ML), an area of Artificial Intelligence (AI), enables researchers, physicians, and patients to solve some of these issues. Based on relevant research, this review explains how Machine Learning (ML) and Deep Learning (DL) are being used to help in the early identification of numerous diseases. To begin, a bibliometric study of the publication is given using data from the Scopus and Web of Science (WOS) databases. The bibliometric study of 1216 publications was undertaken to determine the most prolific authors, nations, organizations, and most cited articles. The review then summarizes the most recent trends and approaches in Machine Learning-based Disease Diagnosis (MLBDD), considering the following factors: algorithm, disease types, data type, application, and evaluation metrics. Finally, the paper highlights key results and provides insight into future trends and opportunities in the MLBDD area.

연구 동기 및 목표

• 2012년에서 2021년 사이에 기계학습 기반 진단 연구에서 가장 흔히 대상으로 삼은 질병을 규명하기 위해.
• 의료 진단에 가장 자주 사용된 기계학습 및 딥러닝 알고리즘을 분석하기 위해.
• 다양한 질병 유형에 걸쳐 표준 평가 지표를 사용하여 기계학습 모델의 성능을 평가하기 위해.
• 데이터 불균형, 모델 해석 가능성, 임상 기계학습 응용에서의 윤리적 우려와 같은 핵심 과제를 강조하기 위해.
• 실제 의료 환경에서의 모델 설명 가능성, 공정성, 내구성에 대한 격차를 밝혀내어 향후 연구를 이끌기 위해.

제안 방법

• Scopus와 Web of Science에서 1,216편의 논문을 대상으로 한 문헌정보학적 분석을 수행하여 저자, 소속 국가, 소속 기관, 인용 영향도의 추세를 맵핑함.
• 질병 진단에 적용된 기계학습 및 딥러닝 기법을 체계적으로 검토하여 알고리즘 유형, 질병 유형, 데이터 모odal(예: 영상, 표준형), 적용 맥락에 중점을 두었음.
• 다양한 연구 간 정확도, 민감도, 특이도, AUC-ROC와 같은 평가 지표를 분류하고 비교하여 진단 신뢰도를 평가함.
• 특히 컨volutional 신경망(CNN)을 포함한 딥러닝 아키텍처가 영상 기반 진단(예: X-ray, MRI)에서 수행하는 역할을 평가함.
• 데이터 불균형, 모델 해석 가능성 부족, 자동화된 진단에서의 편향 및 책임 문제와 같은 과제를 평가함.
• 향후 연구 방향으로는 설명 가능한 인공지능(XAI), 다중 클래스 및 불균형 데이터셋 처리, 확장 가능한 의료 시스템을 위한 보안적인 클라우드 기반 배포를 제안함.

실험 결과

연구 질문

• RQ1 2012년에서 2021년 사이에 기계학습 기반 질병 진단 연구에서 가장 자주 다뤄진 질병은 무엇인가요?
• RQ2 의료 진단에서 가장 흔히 사용되는 기계학습 및 딥러닝 알고리즘은 무엇이며, 그 인기 이유는 무엇인가요?
• RQ3 정확도, AUC-ROC, F1-스코어와 같은 평가 지표는 다양한 질병 유형과 데이터 모달에 따라 어떻게 변화하나요?
• RQ4 데이터 불균형, 모델 해석 가능성, 공정성과 같은 핵심 과제들은 기계학습 기반 진단 시스템의 임상적 도입을 저해하는 이유가 되는가요?
• RQ5 신뢰성 있고 윤리적이며 확장 가능한 기계학습 기반 질병 진단 시스템을 발전시키기 위해 가장 중요한 향후 연구 방향은 무엇인가요?

주요 결과

• 컨볼루션 신경망(CNN)은 기계학습 기반 질병 진단에서 가장 널리 사용되고 효과적인 딥러닝 아키텍처이며, 특히 의료 영상 응용 분야에서 두각을 나타냄.
• 기계학습 기반 진단 모델은 유방암, 알츠하이머, 심장질환, 폐렴과 같은 질병을 진단할 때 90% 이상의 정확도를 기록했으며, 특히 영상 데이터를 사용할 경우 더욱 높은 성능을 보임.
• 가장 많이 연구된 질병은 유방암, 당뇨병, 심장질환, 신장질환, 알츠하이머, 파킨슨, 최근에는 패닉 대유행으로 인해 코로나19와 폐렴이 추가로 다뤄짐.
• 광범위한 사용에도 불구하고 대부분의 연구에서 데이터 불균형 문제를 해결하지 못하고 있으며, 이는 실제 임상 데이터셋에서 흔한 문제임에도 불구하고 그러한 문제를 간과하고 있음.
• 모델 해석 가능성은 여전히 주요 격차로 남아 있으며, 투명하고 신뢰할 수 있는 진단 시스템에 대한 수요가 증가하고 있음에도 불구하고 설명 가능한 인공지능(XAI) 기법을 통합한 연구는 소수에 그침.
• 향후 연구는 다중 클래스 분류, 극도로 불균형하고 누락된 데이터가 많은 데이터셋 처리, XAI 통합, 보안적인 클라우드 기반 배포를 우선순위로 삼아야 하며, 이는 확장 가능하고 윤리적인 의료 분야의 기계학습 지원에 기여할 수 있음.