[논문 리뷰] Machine Learning-based Lung and Colon Cancer Detection using Deep Feature Extraction and Ensemble Learning

Md. Alamin Talukder, Md. Manowarul Islam외 4명|arXiv (Cornell University)|2022. 06. 02.

AI in cancer detection인용 수 12

한 줄 요약

이 연구는 이식 학습 기반의 딥 페처 추출(MobileNet 사용)과 앙상블 학습(소프트 보팅)을 통합한 하이브리드 기계학습 프레임워크를 제안한다. 조직병리학적 이미지에서 자동으로 폐암 및 대장암을 진단하기 위해 LC25000 데이터셋을 평가한 결과, 폐암 진단 정확도는 99.05%, 대장암은 100%, 병합 진단은 99.30%를 기록하여 기존 방법을 능가한다.

ABSTRACT

Cancer is a fatal disease caused by a combination of genetic diseases and a variety of biochemical abnormalities. Lung and colon cancer have emerged as two of the leading causes of death and disability in humans. The histopathological detection of such malignancies is usually the most important component in determining the best course of action. Early detection of the ailment on either front considerably decreases the likelihood of mortality. Machine learning and deep learning techniques can be utilized to speed up such cancer detection, allowing researchers to study a large number of patients in a much shorter amount of time and at a lower cost. In this research work, we introduced a hybrid ensemble feature extraction model to efficiently identify lung and colon cancer. It integrates deep feature extraction and ensemble learning with high-performance filtering for cancer image datasets. The model is evaluated on histopathological (LC25000) lung and colon datasets. According to the study findings, our hybrid model can detect lung, colon, and (lung and colon) cancer with accuracy rates of 99.05%, 100%, and 99.30%, respectively. The study's findings show that our proposed strategy outperforms existing models significantly. Thus, these models could be applicable in clinics to support the doctor in the diagnosis of cancers.

연구 동기 및 목표

• 기계학습을 활용하여 폐암 및 대장암의 조기 진단을 위한 고정확도의 자동화된 시스템을 개발한다.
• 딥 페처 추출과 앙상블 학습 기법을 융합하여 분류 성능을 향상시킨다.
• 다양한 이식 학습 아키텍처와 기계학습 알고리즘을 사용하여 모델 성능을 평가하고 최적화한다.
• 진단 시간과 자원 소비를 줄이면서도 고정확도를 유지하는 데 목표를 둔다.
• 폐암 및 대장암 진단을 지원하기 위한 임상 적용 가능한 도구를 제공한다.

제안 방법

• 조직병리학적 영상에서 깊이 있는 특징 추출을 위해 VGG16, VGG19, MobileNet, DenseNet169, DenseNet201의 다섯 가지 사전 학습된 이식 학습 모델을 사용하였다.
• 모델 평가의 강건성과 일반화 능력을 확보하기 위해 10-폴드 교차검증을 적용하였다.
• RF, SVM, LR, MLP, XGB, LGB 중에서 최고 성능을 내는 기계학습 모델을 선별하기 위해 고성능 필터링(High-Performance Filtering, HPF)을 적용하였다.
• 최고 성능을 낸 모델들을 앙상블 소프트 보팅 분류기로 통합하여 예측 정확도와 안정성을 향상시켰다.
• 특징 품질 향상과 모델 입력 일관성 향상을 위해 광범위한 이미지 전처리를 적용하였다.
• 정확도, 정밀도, 재현도, F1-스코어, AUC-ROC, MAE, MSE, RMSE 및 혼동 행렬을 포함한 다중 지표를 사용하여 모델 성능을 평가하였다.

Figure 1: The proposed hybrid model for lung and colon cancer detection

실험 결과

연구 질문

• RQ1 하이브리드 딥 러닝 및 앙상블 학습 프레임워크는 조직병리학적 영상에서 폐암 및 대장암 진단의 정확도를 향상시킬 수 있는가?
• RQ2 VGG16, VGG19, MobileNet, DenseNet169, DenseNet201 중에서 암 분류에 가장 우수한 특징 추출 성능를 보이는 이식 학습 모델은 무엇인가?
• RQ3 소프트 보팅을 사용한 앙상블 학습은 개별 모델 대비 분류의 강건성과 정확도에서 어떻게 비교되는가?
• RQ4 기본 기계학습 모델 대비 제안된 모델의 계산 효율성(시간 및 공간 복잡도)은 어떠한가?
• RQ5 제안된 모델은 임상 적용을 위해 근접한 완벽한 정확도를 달성하면서도 저예측 시간을 유지할 수 있는가?

주요 결과

• 제안된 모델은 LC25000 데이터셋을 사용하여 폐암 진단에서 99.05%의 정확도를 달성하였다.
• 대장암 진단에서는 100%의 정확도를 기록하여 이 분류에서 뛰어난 성능을 보였다.
• 병합된 폐암 및 대장암 진단에서 모델은 99.30%의 정확도를 기록하여 강력한 일반화 능력을 입증하였다.
• 성능과 효율성의 균형을 고려해 MobileNet이 특징 추출에 최적의 이식 학습 모델로 선정되었다.
• 앙상블 소프트 보팅 분류기는 개별 모델을 초월하여 성능을 냈으며, 암 분류에서 모델 스태킹의 효과성을 확인하였다.
• 예측 시간은 매우 짧았으며, 폐암은 2초, 대장암은 0초, 병합 테스트는 14초로, 임상 적용 가능성은 높았다.

Figure 2: Pre-processing steps