[논문 리뷰] Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy

Bilal Ahmed, Thomas Thesen외 5명|arXiv (Cornell University)|2016. 07. 30.

Domain Adaptation and Few-Shot Learning인용 수 4

한 줄 요약

이 논문은 MRI가 음성인 간질 환자에서 미세한 피질 병변을 탐지하기 위해 노이즈가 있는 수술적 제거 영역 레이블과 뇌내 뇌전도 측정(iEEG) 신뢰도 점수를 모두 활용하는 다중 작업 학습(MTL) 프레임워크를 제안한다. iEEG 기반 신뢰도를 순위 함수로 모델링하고 이를 작업별 특화된 MTL 설정에 통합함으로써, 기준 모델 대비 유의미하게 감소한 가짜 양성 결과를 기록하면서 모든 환자에서 100% 병변 탐지 성능을 달성한다.

ABSTRACT

Multi-task learning (MTL) is useful for domains in which data originates from multiple sources that are individually under-sampled. MTL methods are able to learn classification models that have higher performance as compared to learning a single model by aggregating all the data together or learning a separate model for each data source. The performance of these methods relies on label accuracy. We address the problem of simultaneously learning multiple classifiers in the MTL framework when the training data has imprecise labels. We assume that there is an additional source of information that provides a score for each instance which reflects the certainty about its label. Modeling this score as being generated by an underlying ranking function, we augment the MTL framework with an added layer of supervision. This results in new MTL methods that are able to learn accurate classifiers while preserving the domain structure provided through the rank information. We apply these methods to the task of detecting abnormal cortical regions in the MRIs of patients suffering from focal epilepsy whose MRI were read as normal by expert neuroradiologists. In addition to the noisy labels provided by the results of surgical resection, we employ the results of an invasive intracranial-EEG exam as an additional source of label information. Our proposed methods are able to successfully detect abnormal regions for all patients in our dataset and achieve a higher performance as compared to baseline methods.

연구 동기 및 목표

• 표준 MRI에서 눈에 띄는 이상이 없는 MRI 음성 초점성 피질 이상성 간질 환자에서 간질 유발 병변을 탐지하는 데 도전하는 것.
• 과도하게 넓은 제거 영역으로 인해 학습 데이터에 가짜 양성 결과를 유도하는 레이블 노이즈를 완화하는 것.
• 분류기 성능 향상을 위해 추가적인 iEEG 기반 신뢰도 점수를 보조적 지도로 활용하는 것.
• 각 환자를 별개이지만 관련된 분류 작업으로 간주함으로써 환자별 해부학적 다양성을 유지하는 것.
• 다양한 모odal 데이터를 기반으로 시각적으로 숨겨진 FCD 병변을 식별하는 데 도움을 주는 임상적 사전 수술 도구를 개발하는 것.

제안 방법

• 각 환자를 별개이지만 관련된 분류 작업으로 간주하는 다중 작업 학습(MTL) 프레임워크를 설정하는 것.
• iEEG 신뢰도 점수를 쌍별 순위 함수로 모델링하여 레이블 불확실성을 안내하는 작업별 특화된 MTL 접근법을 도입하는 것.
• 순위 정보가 작업 간 직접 공유되지 않도록 보장하기 위해 새로운 연산자 값 커널을 개발하는 것.
• 신뢰도 점수를 부드러운 지도로 통합하기 위해 추가적인 랭크 제약 조건을 정규화된 MTL 프레임워크에 통합하는 것.
• 상자 제약 조건이 있는 2차 프rogramming을 통해 모델을 최적화하며, 표준 QP 솔버로 해결 가능한 것.
• 환자별로 별도의 모델을 학습하기 위해 유한한 환자 제외 교차 검증을 사용하며, MRI 데이터에 대해 제거 영역과 iEEG 기반 발작 유도 영역 애너테이션을 병합한 지도를 사용한다.

실험 결과

연구 질문

• RQ1 약한 레이블이 있는 데이터와 보조적 신뢰도 점수를 활용한 다중 작업 학습이 MRI 음성 간질 환자에서 미세한 피질 병변을 개선된 성능으로 탐지할 수 있는가?
• RQ2 재수술 데이터에만 의존하는 것과 비교해 iEEG 기반 신뢰도 순위를 통합할 경우 병변 탐지 모델의 성능과 내구성은 어떻게 향상되는가?
• RQ3 개별 환자별 순위 의미를 유지하는 작업별 특화된 MTL 설정이 전역적으로 공유되는 순위 제약 조건보다 병변 탐지에서 더 우수한 성능을 내는가?
• RQ4 보조적 iEEG 정보를 통해 임상적 사전 수술 평가 환경에서 가짜 양성 결과 비율을 얼마나 줄일 수 있으며, 同시에 높은 탐지율을 유지할 수 있는가?
• RQ5 기준 모델이 실패하거나 수용할 수 없는 높은 가짜 양성 결과를 유발하는 상황에서, 제안된 방법이 모든 MRI 음성 환자에서 100% 병변 탐지 성능을 달성할 수 있는가?

주요 결과

• 작업별 특화(TS) MTL 방법은 15명의 MRI 음성 환자 전원에서 병변을 탐지하여 100% 탐지율을 기록했으며, 모든 기준 모델을 초월했다.
• TS 방법은 평균 가짜 양성 결과 비율(FPR)이 12.3%로 기준 모델(SVMR)의 37%보다 유의미하게 낮아, 주의 집중 도구로 더 적합하다.
• 기준 모델들 중에서 표준 MTL은 12명, LDA는 11명, SLR는 9명에서 병변을 탐지했으며, 제안된 방법의 우월성을 입증했다.
• 전역 일관성(GC) MTL 변종은 환자 간 이질적인 iEEG 데이터에 공통 순위 제약 조건을 적용함으로써 레이블 노이즈가 누적되어 가장 열악한 성능을 보였다.
• 제안된 방법은 모든 기준 모델보다 평균 재현율이 높아 실제 제거 영역을 더 잘 커버하고 있음을 시사한다.
• iEEG 신뢰도 점수를 순위 함수로 활용함으로써 모델 일반화 능력이 크게 향상되었고, 노이즈가 많은 제거 레이블에 대한 과적합도 감소시켰다.