[논문 리뷰] Neural Networks for Pulmonary Disease Diagnosis using Auditory and Demographic Information

Morteza Hosseini, Haoran Ren외 4명|arXiv (Cornell University)|2020. 11. 26.

COVID-19 diagnosis using AI인용 수 10

한 줄 요약

이 논문은 두 개의 병렬 딥 컨volution 네트워크(DCNN)를 사용하여 청취 가능한 호흡 음성과 인구통계학적 데이터를 융합함으로써 폐질환 진단을 향상시키는 딥 러닝 프레임워크를 제안한다. 오디오 및 인구통계학적 특징을 융합했을 때 정확도가 5% 향상되었으며, NVIDIA TX2와 같은 엣지 장치에서의 구현 효율성도 평가하여 저전력 소비로 실시간 성능을 확보함을 보였다.

ABSTRACT

Pulmonary diseases impact millions of lives globally and annually. The recent outbreak of the pandemic of the COVID-19, a novel pulmonary infection, has more than ever brought the attention of the research community to the machine-aided diagnosis of respiratory problems. This paper is thus an effort to exploit machine learning for classification of respiratory problems and proposes a framework that employs as much correlated information (auditory and demographic information in this work) as a dataset provides to increase the sensitivity and specificity of a diagnosing system. First, we use deep convolutional neural networks (DCNNs) to process and classify a publicly released pulmonary auditory dataset, and then we take advantage of the existing demographic information within the dataset and show that the accuracy of the pulmonary classification increases by 5% when trained on the auditory information in conjunction with the demographic information. Since the demographic data can be extracted using computer vision, we suggest using another parallel DCNN to estimate the demographic information of the subject under test visioned by the processing computer. Lastly, as a proposition to bring the healthcare system to users' fingertips, we measure deployment characteristics of the auditory DCNN model onto processing components of an NVIDIA TX2 development board.

연구 동기 및 목표

• 청취 가능한 정보와 인구통계학적 정보를 통합하여 기계 보조 폐질환 진단의 민감도와 특이도를 향상시키는 것.
• 추가 센서 데이터를 통합할 수 있는 확장성 있고 유연한 프레임워크를 개발하여, 가정 또는 공중보건 모니터링과 같은 다양한 배포 환경에 적합하게 만드는 것.
• 수동적인 오디오 및 비디오 데이터를 이용한 조기 단계의 클리닉 독립 진단을 가능하게 하여 의료 시스템의 부담을 줄이는 것.
• 임베디드 엣지 장치에 진단 모델을 구현할 수 있는지의 실현 가능성을 평가하는 것 — 실시간, 프라이버시 보존형 추론을 지원함.

제안 방법

• 이중 브런치 DCNN 아키텍처가 호흡 음성 기록과 인구통계학적 특징(나이, 성별, 민족)을 병렬로 처리하여 분류 정확도를 향상시킨다.
• 인구통계학적 특징은 수동으로 입력되거나, 환자 이미지에서 화상 기반 DCNN을 통해 추가적인 모델을 통해 추정된다.
• 126명의 환자와 7개의 질환 유형(건강한 상태 포함)을 포함한 공개된 부분적으로 균형 잡힌 호흡 음성 데이터셋을 기반으로 모델을 훈련시켰다.
• 오디오 데이터는 EnvNet 기반의 DCNN로 처리되며, 인구통계학적 추정은 얼굴 이미지에서 연령과 성별을 예측하기 위해 별도의 DCNN으로 훈련된다.
• 모델의 배포는 다양한 클럭 주파수를 가진 CPU 전용 및 CPU+GPU 구성에서 NVIDIA TX2 보드에서 평가되었다.
• 성능 지표로는 추론 지연, 전력 소비, GFLOPS/W, 그리고 다양한 하드웨어 설정에서의 에너지 효율성이 포함된다.

실험 결과

연구 질문

• RQ1 청취 가능한 정보와 인구통계학적 정보를 융합함으로써 폐질환 분류를 위한 딥 러닝 모델의 정확도를 향상시킬 수 있는가?
• RQ2 인구통계학적 데이터의 포함 여부가 DCNN를 사용한 호흡기 질환 진단의 민감도와 특이도에 어떤 영향을 미치는가?
• RQ3 얼굴 이미지에서 병렬 DCNN를 사용해 인구통계학적 특징을 얼마나 정확하게 추정할 수 있는가?
• RQ4 임베디드 엣지 장치에 DCNN 모델을 배포할 경우 하드웨어 자원과 에너지 효율성 간의 상호 보완적 특성은 어떠한가?

주요 결과

• 오디오 기반 DCNN에 인구통계학적 정보를 추가함으로써 분류 정확도가 오디오 전용 모델 대비 5% 향상되었다.
• 오디오 및 인구통계학적 특징을 융합한 모델은 테스트 정확도 83%를 달성했으며, 과도하게 불균형한 데이터셋을 사용한 이전의 오디오 전용 모델(97% 정확도)보다도 뛰어난 성능을 보였다.
• 에너지 효율성이 가장 높은 배포는 NVIDIA TX2의 CPU+GPU 구성에서 달성되었으며, 추론을 0.1초 내에 완료하고 에너지 소비는 1.935 J였다.
• 가장 전력 소비가 적은 구성(저주파수의 Denver CPU)은 1회 추론에 10초가 소요되었고, 전력 소비는 8.81 mW, 에너지 소비는 0.019 J였다.
• CPU+GPU 설정은 에너지 효율성 0.91 GFLOPS/W를 기록하여 CPU 전용 구성보다 뛰어난 성능을 보였다.
• 이 프레임워크는 실시간, 저지연 진단을 엣지 장치에서 지원하며, 프라이버시 보존형 현장 내 추론을 가능하게 한다.