[논문 리뷰] Role of Edge Device and Cloud Machine Learning in Point-of-Care Solutions Using Imaging Diagnostics for Population Screening

Amit Kharat, Vinay Duddalwar외 9명|arXiv (Cornell University)|2020. 06. 18.

COVID-19 diagnosis using AI참고 문헌 10인용 수 4

한 줄 요약

이 논문은 자원이 제한된 환경에서 인구 스크리닝을 위한 현장 진단 영상 진단을 위해 하이브리드 엣지-클라우드 기계학습 프레임워크를 제안한다. 엣지 기반의 실시간 분류(트리iage)를 통해 실시간으로 선별하고, 클라우드 기반 모델을 통해 모델 정밀도를 향상시킨다. 이는 흉부결핵 및 폐렴과 같은 질환에 대해 X-레이, 초음파 및 기타 의료 영상에 대해 실시간으로 대역폭에 영향을 받지 않는 스크리닝을 가능하게 하여 진단 지연을 크게 줄인다.

ABSTRACT

Edge devices are revolutionizing diagnostics. Edge devices can reside within or adjacent to imaging tools such as digital Xray, CT, MRI, or ultrasound equipment. These devices are either CPUs or GPUs with advanced processing deep and machine learning (artificial intelligence) algorithms that assist in classification and triage solutions to flag studies as either normal or abnormal, TB or healthy (in case of TB screening), suspected COVID-19/other pneumonia or unremarkable (in hospital or hotspot settings). These can be deployed as screening point-of-care (PoC) solutions; this is particularly true for digital and portable X-ray devices. Edge device learning can also be used for mammography and CT studies where it can identify microcalcification and stroke, respectively. These solutions can be considered the first line of pre-screening before the imaging specialist actually reviews scans and makes a final diagnosis. The key advantage of these tools is that they are instant, can be deployed remotely where experts are not available to perform pre-screening before the experts actually review, and are not limited by internet bandwidth as the nano learning data centers are placed next to the device.

연구 동기 및 목표

• 현장에서의 진단 지연 문제를 해결하기 위해 인구 스크리닝에 AI를 현장에 도입한다.
• 원격 또는 자원이 제한된 임상 환경에서 인터넷 대역폭 및 전문가의 가용성에 기인한 제약을 극복한다.
• X-레이, 초음파 등의 의료 영상에 대해 조기 진단을 위한 실시간, 현장 기반 분류를 가능하게 한다.
• 속도, 정확도 및 확장성의 균형을 맞추기 위해 엣지와 클라우드 기반 기계학습을 통합한다.
• 모든 연구에 대해 즉각적인 전문가 검토가 필요하지 않은, 확장 가능한 원격 배포를 지원한다.

제안 방법

• 디지털 X-레이, CT, 초음파 장비와 통합된 엣지 장치(프로세서/CPU, GPU)에 경량 딥 러닝 모델을 구현한다.
• 엣지 기반 추론을 통해 영상 연구를 정상, 비정상, 결핵 양성, 의심 폐렴으로 실시간으로 분류한다.
• 이중 아키텍처를 구현: 엣지 장치는 초기 선별을 수행하고, 클라우드 기반 모델은 익명화된 데이터를 수신하여 지속적인 모델 재학습 및 향상 작업을 수행한다.
• 지연 시간과 대역폭 의존도를 최소화하기 위해 엣지 장치와 함께 공용 배치된 나노학습 데이터 센터를 활용한다.
• 이식성과 모델 크기를 최적화하기 위해 전이 학습 및 모델 압축 기법을 적용한다.
• 모odal별 모델 적응 기법을 통해 다양한 영상 모odal리티(예: 유방 조영술, CT 스캔에서의 뇌졸중 감지)를 지원하도록 시스템을 설계한다.

실험 결과

연구 질문

• RQ1 엣지 기반 기계학습은 자원이 제한된 환경에서 현장 진단 영상 진단의 속도와 접근성을 어떻게 향상시킬 수 있는가?
• RQ2 인구 스크리닝 시나리오에서 현장 기반 추론과 클라우드 기반 모델 정밀도 향상 간의 성능 상충 관계는 어떠한가?
• RQ3 엣지 AI는 결핵 및 폐렴과 같은 질환에 대해 X-레이, 초음파 등의 의료 영상에 대해 충분한 정확도로 선별할 수 있는가? 이는 전문가의 작업 부담을 줄일 수 있는가?
• RQ4 하이브리드 엣지-클라우드 아키텍처는 지속적인 모델 향상 기능을 유지하면서도 데이터 프라이버시를 어떻게 유지할 수 있는가?
• RQ5 이 프레임워크는 다양한 영상 모달리티 및 임상 환경으로 얼마나 널리 확장 가능한가?

주요 결과

• 엣지 장치는 인터넷 연결 없이도 현장에서 즉각적인 실시간 의료 영상 분류 기능을 제공하여 진단 지연을 줄인다.
• 하이브리드 엣지-클라우드 아키텍처는 엣지에서 저지연 추론을 유지하면서도 클라우드 기반 재학습을 통해 지속적인 모델 향상을 가능하게 한다.
• 시스템은 이식성 및 저전력 영상 장치에 배포가 가능하여 원격 및 서비스가 부족한 임상 환경에 적합하다.
• 엣지 기반 선별은 결핵 또는 폐렴과 같은 비정상 케이스를 높은 민감도로 식별하여 전문가 검토가 필요한 연구 수를 줄일 수 있다.
• 엣지 장치와 함께 공용 배치된 나노학습 데이터 센터는 대역폭 제약을 제거하고 효율적인 현장 기반 추론을 가능하게 한다.
• 이 프레임워크는 디지털 X-레이, 초음파, 유방 조영술, CT 등 다양한 영상 모달리티에 적용 가능하여 다양한 스크리닝 응용 분야를 지원한다.