[논문 리뷰] Sharing Generative Models Instead of Private Data: A Simulation Study on Mammography Patch Classification

Zuzanna Szafranowska, Richard Osuala외 4명|arXiv (Cornell University)|2022. 03. 08.

AI in cancer detection참고 문헌 29인용 수 10

한 줄 요약

이 연구는 유방 조영 검사 패치 분류에서 모델의 일반화 능력을 향상시키기 위해 실제 환자 데이터 대신 훈련된 생성적 적대적 네트워크(GAN)를 공유하는 방법을 제안한다. 두 외부 센터에서 유래한 GAN을 제3의 센터에 전이함으로써, CNN 및 트랜스포머 분류기 모두의 성능이 크게 향상된다. 특히 데이터가 적은 환경에서 두드러진다. 이는 GAN에서 생성된 합성 데이터가 훈련을 보완하는 데 효과적이며, 개인정보 보호를 유지할 수 있음을 보여준다.

ABSTRACT

Early detection of breast cancer in mammography screening via deep-learning based computer-aided detection systems shows promising potential in improving the curability and mortality rates of breast cancer. However, many clinical centres are restricted in the amount and heterogeneity of available data to train such models to (i) achieve promising performance and to (ii) generalise well across acquisition protocols and domains. As sharing data between centres is restricted due to patient privacy concerns, we propose a potential solution: sharing trained generative models between centres as substitute for real patient data. In this work, we use three well known mammography datasets to simulate three different centres, where one centre receives the trained generator of Generative Adversarial Networks (GANs) from the two remaining centres in order to augment the size and heterogeneity of its training dataset. We evaluate the utility of this approach on mammography patch classification on the test set of the GAN-receiving centre using two different classification models, (a) a convolutional neural network and (b) a transformer neural network. Our experiments demonstrate that shared GANs notably increase the performance of both transformer and convolutional classification models and highlight this approach as a viable alternative to inter-centre data sharing.

연구 동기 및 목표

• 딥 러닝 기반 유방암 검출을 위한 임상 센터에서의 제한적이고 비균형적인 훈련 데이터 문제를 해결하기 위해.
• 다른 의료 기관 간에 실제 환자 데이터를 공유하는 대신, 훈련된 생성 모델(GAN)을 공유하는 것이 개인정보 보호에 유리한 대안이 될 수 있는지 조사하기 위해.
• 외부 데이터셋에서 훈련된 GAN으로 생성된 합성 패치를 사용하여 훈련 데이터를 보완했을 때 분류 모델의 성능 향상을 평가하기 위해.
• CNN 및 트랜스포머 아키텍처에서 단일 소스 대비 다중 소스 합성 데이터를 사용한 GAN 기반 데이터 증강의 효과를 비교하기 위해.
• 데이터 부족이 모델 성능에 미치는 영향과 GAN으로 생성된 데이터가 이 한계를 어느 정도 완화할 수 있는지 평가하기 위해.

제안 방법

• 세 개의 유명한 유방 조영 검사 데이터셋—INbreast, BCDR, OPTIMAM—을 사용하여 세 개의 임상 센터를 시뮬레이션하였으며, 한 센터(A)가 다른 두 센터(B와 C)로부터 GAN을 수신하였다.
• 센타 B와 C에서 훈련된 GAN(DCGAN 및 WGAN-GP)을 활용해 합성 병변 패치를 생성하고, 이를 센터 A의 훈련 데이터에 통합하였다.
• 클래스 불균형을 보완하기 위해, 센터 A의 자체 INbreast 데이터셋에서 동일한 수의 건강한 패치를 추출하여 합성 병변 패치의 수와 맞추었다.
• 두 가지 분류 모델을 훈련 및 평가하였으며, 센터 A의 실제 데이터와 실제 + 합성 데이터를 모두 사용하였다: 컨volutional 신경망(CNN)과 Swin 트랜스포머.
• 정확도, F1 점수, AUROC, AUPRC를 성능 측정 지표로 사용하였으며, 결과는 세 가지 랜덤 시드 평균을 통해 안정성을 확보하였다.
• 연구는 두 가지 데이터 제도를 비교하였는데, 하나는 전체 훈련 데이터(100%)이고 다른 하나는 감소된 데이터(50%)로, 데이터 부족의 영향을 평가하기 위함이다.

실험 결과

연구 질문

• RQ1 실제 환자 데이터 대신 훈련된 GAN을 공유하는 것이 유방 조영 검사 패치 분류 모델의 성능을 유의미하게 향상시킬 수 있는가?
• RQ2 GAN 기반 합성 데이터 증강은 특히 데이터가 적은 환경에서 모델의 일반화 능력에 어떤 영향을 미치는가?
• RQ3 합성 데이터로 인한 성능 향상은 CNN과 트랜스포머 간에 다를 수 있으며, 만약 그렇다면 그 이유는 무엇인가?
• RQ4 BCDR와 OPTIMAM 등의 여러 소스에서 유래한 합성 데이터를 조합하는 것과 단일 소스에서의 데이터 사용을 비교했을 때, 어떤 게 더 효과적인가?
• RQ5 실제 데이터셋 간의 도메인 스위치(예: BCDR과 INbreast 간)가 GAN으로 생성된 데이터의 유용성에 어떤 영향을 미치는가?

주요 결과

• INbreast 데이터의 50%만으로 Swin 트랜스포머를 훈련시켰을 때 F1 점수는 0.734에 도달했고, BCDR에서 유래한 합성 패치와 일치하는 건강한 샘플을 추가하면 0.880으로 상승—0.146의 향상.
• GAN으로 생성된 데이터의 성능 향상은 데이터가 적은 환경(50% 데이터)과 파라미터 수가 2800만인 Swin 트랜스포머에서 가장 두드러지며, 이는 더 높은 데이터 효율성 요구를 반영한다.
• BCDR와 OPTIMAM에서 유래한 합성 데이터를 모두 조합해도 단일 소스에서 100% 합성 데이터를 사용하는 것보다 성능이 떨어지지 않았다. 이는 더 높은 도메인 스위치가 다변성은 높일 수 있으나 학습을 방해할 수 있음을 시사한다.
• 놀랍게도 실제 BCDR 패치보다 합성 BCDR 패치가 더 낮은 성능을 보였는데, 이는 INbreast와 BCDR 간의 영상 대비, 밝기, 병변 형태학적 특성의 도메인 스위치가 원인일 수 있다.
• 두 모델 모두 합성 데이터를 사용할 경우 AUROC와 AUPRC 값이 유의미하게 향상되었으며, 특히 Swin 트랜스포머의 경우 두 소스에서 유래한 합성 데이터를 사용했을 때 AUROC는 0.995, AUPRC는 0.994를 기록하였다.
• 결과적으로 GAN 기반 데이터 공유가 데이터 부족이 모델 성능을 저하시키는 상황에서 실용적이고 개인정보 보호에 유리한 병원 간 데이터 공유의 대안이 될 수 있음을 입증하였다.