[논문 리뷰] Screening Autism Spectrum Disorder in childrens using Deep Learning Approach : Evaluating the classification model of YOLOv8 by comparing with other models

Subash Gautam, Prabin Sharma외 5명|arXiv (Cornell University)|2023. 06. 25.

Autism Spectrum Disorder Research인용 수 4

한 줄 요약

이 연구는 YOLOv8 객체 검출 모델을 바이너리 분류에 맞게 변형하여 자폐 스펙트럼 장애 (ASD)를 가진 어린이의 얼굴 영상 기반으로 심층 학습 기반 筛查 방법을 제안한다. 카글 데이터셋으로 훈련된 모델은 89.64%의 정확도와 F1-스코어 0.89를 기록하여 얼굴 특징 분석을 통한 자동 ASD 진단의 강력한 잠재력을 보여주었다.

ABSTRACT

Autism spectrum disorder (ASD) is a developmental condition that presents significant challenges in social interaction, communication, and behavior. Early intervention plays a pivotal role in enhancing cognitive abilities and reducing autistic symptoms in children with ASD. Numerous clinical studies have highlighted distinctive facial characteristics that distinguish ASD children from typically developing (TD) children. In this study, we propose a practical solution for ASD screening using facial images using YoloV8 model. By employing YoloV8, a deep learning technique, on a dataset of Kaggle, we achieved exceptional results. Our model achieved a remarkable 89.64% accuracy in classification and an F1-score of 0.89. Our findings provide support for the clinical observations regarding facial feature discrepancies between children with ASD. The high F1-score obtained demonstrates the potential of deep learning models in screening children with ASD. We conclude that the newest version of YoloV8 which is usually used for object detection can be used for classification problem of Austistic and Non-autistic images.

연구 동기 및 목표

• 어린이의 얼굴 영상 분석을 통해 실용적이고 자동화된 자폐 스펙트럼 장애 (ASD) 선별 시스템을 개발하기 위해.
• 원래 객체 검출을 위해 설계된 YOLOv8이 자폐 스펙트럼 장애 (ASD)와 정상적으로 발달한 (TD) 어린이를 분류하기 위해 바이너리 분류에 어떻게 적절히 적응될 수 있는지 평가하기 위해.
• 공개된 얼굴 영상 데이터셋을 사용하여 YOLOv8의 분류 성능을 다른 심층 학습 모델들과 비교하기 위해.
• 기계 학습을 통해 자폐 스펙트럼 장애 (ASD) 어린이의 얼굴 특징에 대한 임상 관찰을 검증하기 위해.
• 심층 학습을 활용하여 임상 및 지역 사회 환경에서 조기에 비침습적으로 ASD를 선별할 수 있는 가능성을 입증하기 위해.

제안 방법

• 연구는 YOLOv8 모델을 사용하여 ASD 및 TD 어린이의 이진 이미지 분류를 위해 미세조정하였으며, 전이 학습을 활용하였다.
• ASD 어린이와 정상적으로 발달한 어린이의 얼굴 영상 데이터셋은 카글에서 확보되었다.
• 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 심층 학습 메트릭을 사용하여 모델를 훈련하고 평가하였다.
• 모델의 일반화 능력을 향상시키고 과적합을 줄이기 위해 데이터 증강 기법을 적용하였다.
• 비교적 효과성을 평가하기 위해 다른 심층 학습 모델들과의 성능을 기준으로 삼았다.
• YOLOv8 아키텍처는 최종 분류 헤드를 수정하면서도 특징 추출 능력을 유지함으로써 분류 작업에 재사용되었다.

실험 결과

연구 질문

• RQ1 원래 객체 검출을 위해 설계된 YOLOv8이 얼굴 영상에서 ASD와 TD 어린이를 바이너리 분류하기 위해 효과적으로 적응될 수 있는가?
• RQ2 YOLOv8의 분류 성능는 얼굴 특징에서 ASD를 탐지하기 위해 다른 심층 학습 모델들과 비교해 볼 때 어떻게 되는가?
• RQ3 모델의 예측 결과가 ASD 어린이의 얼굴 특징 차이에 대한 임상 관찰과 어느 정도 일치하는가?
• RQ4 얼굴 영상에서 심층 학습을 활용한 ASD 선별에서 정밀도와 재현율 사이의 최적의 균형은 무엇인가?
• RQ5 YOLOv8처럼 경량이며 빠른 추론 성능을 가진 모델이 자원이 제한된 환경에서 확장 가능하고 실시간으로 ASD 선별을 지원할 수 있는가?

주요 결과

• YOLOv8 기반 모델은 테스트 세트에서 89.64%의 분류 정확도를 기록하여 강력한 예측 성능를 보였다.
• 모델는 F1-스코어 0.89를 기록하여 ASD 사례 탐지에서 정밀도와 재현율 사이의 균형 잡힌 상호보완성을 반영하였다.
• 결과는 ASD 어린이가 정상적으로 발달한 어린이와 비교해 뚜렷한 얼굴 특징을 가진다는 임상적 증거를 지지한다.
• 정확도와 F1-스코어 측면에서 다른 비교 모델들보다 YOLOv8이 뛰어난 성능를 보이며 이 분류 작업에 적합함을 입증하였다.
• 높은 F1-스코어는 모델가 거짓 양성과 거짓 음성 모두를 효과적으로 줄이는 데 기여함을 시사한다.
• 이 연구는 YOLOv8가 객체 검출을 넘어서 의료 영상 분류 작업에 성공적으로 재사용될 수 있음을 확인하였다.