[논문 리뷰] Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms

Flavio P. Loss, Pedro Henrique da Cunha외 13명|arXiv (Cornell University)|2024. 01. 02.

Spectroscopy Techniques in Biomedical and Chemical ResearchBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

이 연구는 환자로부터 수집한 피부 병변에 대한 새로운 비침습적 근적외선 스펙트로스코피 데이터셋인 NIR-SC-UFES를 소개하고, 특히 SNV 전처리와 GAN 기반 데이터 증강을 적용한 LightGBM 모델을 활용하여 악성(흑색종, 기저세포암, 폐경성 피부암) 및 양성(모반, 활성성 각화증, 지루성 각화증) 병변을 분류하는 기계학습 모델을 평가한다. 최고의 모델은 83.9%의 균형 정확도, 85.1%의 재현율, 85.2%의 정밀도, 85.0%의 F1 점수를 기록하였으며, 이는 비침습적 분자 수준의 스펙트로스코피 기반 자동 피부암 선별 도구로 향한 기초 단계를 마련한다.

ABSTRACT

Skin lesions are classified in benign or malignant. Among the malignant, melanoma is a very aggressive cancer and the major cause of deaths. So, early diagnosis of skin cancer is very desired. In the last few years, there is a growing interest in computer aided diagnostic (CAD) using most image and clinical data of the lesion. These sources of information present limitations due to their inability to provide information of the molecular structure of the lesion. NIR spectroscopy may provide an alternative source of information to automated CAD of skin lesions. The most commonly used techniques and classification algorithms used in spectroscopy are Principal Component Analysis (PCA), Partial Least Squares - Discriminant Analysis (PLS-DA), and Support Vector Machines (SVM). Nonetheless, there is a growing interest in applying the modern techniques of machine and deep learning (MDL) to spectroscopy. One of the main limitations to apply MDL to spectroscopy is the lack of public datasets. Since there is no public dataset of NIR spectral data to skin lesions, as far as we know, an effort has been made and a new dataset named NIR-SC-UFES, has been collected, annotated and analyzed generating the gold-standard for classification of NIR spectral data to skin cancer. Next, the machine learning algorithms XGBoost, CatBoost, LightGBM, 1D-convolutional neural network (1D-CNN) were investigated to classify cancer and non-cancer skin lesions. Experimental results indicate the best performance obtained by LightGBM with pre-processing using standard normal variate (SNV), feature extraction providing values of 0.839 for balanced accuracy, 0.851 for recall, 0.852 for precision, and 0.850 for F-score. The obtained results indicate the first steps in CAD of skin lesions aiming the automated triage of patients with skin lesions in vivo using NIR spectral data.

연구 동기 및 목표

• 피부 병변에 대한 공개된 비침습적 근적외선 스펙트로스코피 데이터셋의 부족을 해결하기 위해.
• 자동 피부암 진단을 위한 스펙트럼 데이터에 현대적인 기계학습 및 딥러닝 알고리즘을 평가하기 위해.
• 전처리, 특징 추출, 데이터 증강(SMOTE 및 GAN)이 분류 성능에 미치는 영향을 조사하기 위해.
• SHAP 해석 가능성 기법을 활용하여 악성과 양성 병변을 구분하는 데 핵심적인 스펙트럼 영역을 규명하기 위해.
• 비침습적 분자 수준의 스펙트럼 데이터를 기반으로 한 향후 임상 선별 도구의 기반을 마련하기 위해.

제안 방법

• 휴대용 Micronir 스펙트로미터를 사용하여 168명의 환자로부터 900–1700 nm 범위의 비침습적 NIR 스펙트럼 데이터를 수집하였다.
• 흑색종(MEL), 기저세포암(BCC), 폐경성 피부암(SCC), 모반(NEV), 활성성 각화증(ACK), 지루성 각화증(SEK) 총 6종의 병변 유형을 포함하는 NIR-SC-UFES 데이터셋을 구축하였다.
• 스펙트럼 데이터의 산란 효과를 줄이기 위해 표준 정규변환(SNV) 전처리를 적용하였다.
• 통계적 기술자표현을 활용한 특징 추출을 수행하고, 클래스 불균형 문제를 해결하기 위해 SMOTE 및 GAN 기반 오버샘플링을 적용하였다.
• 전처리 및 증강된 데이터를 기반으로 XGBoost, CatBoost, LightGBM, 1D-CNN, SVM, PLS-DA를 훈련 및 비교하였다.
• 모델 예측을 해석하고 가장 구분력 있는 스펙트럼 영역(939.072–994.821 nm)을 규명하기 위해 SHAP 분석을 사용하였다.

Figure 2: Acquisition of the NIR spectral data of a patient lesion using the Micronir portable spectrometer.

실험 결과

연구 질문

• RQ1 제한된 표본 수에도 불구하고 기계학습 모델이 비침습적 NIR 스펙트럼 데이터를 활용해 피부 병변을 효과적으로 분류할 수 있는가?
• RQ2 SNV, GAN, SMOTE와 같은 다양한 전처리 및 데이터 증강 기법이 스펙트럼 데이터의 분류 성능에 미치는 영향은 어떠한가?
• RQ3 기존 모델(SVM, PLS-DA)과 현대적 모델(GBM, 1D-CNN) 중에서 이 새로운 스펙트럼 데이터셋에서 가장 우수한 성능을 보이는 알고리즘은 무엇인가?
• RQ4 악성과 양성 피부 병변을 구분하는 데 가장 유용한 스펙트럼 영역는 어디인가?
• RQ5 SHAP와 같은 해석 가능성 기법이 분류 과정에서 생물학적으로 관련성이 있는 스펙트럼 특징을 얼마나 잘 식별할 수 있는가?

주요 결과

• SNV 전처리와 GAN 기반 데이터 증강을 적용한 LightGBM 모델이 가장 높은 성능을 기록하였으며, 균형 정확도 83.9%, 재현율 85.1%, 정밀도 85.2%, F1 점수 85.0%를 달성하였다.
• SHAP 분석을 통해 병변 분류에 가장 구분력 있는 스펙트럼 영역는 939.072 nm에서 994.821 nm 사이로 규명되었다.
• 경사 부스팅 모델 중에서 LightGBM가 CatBoost를 略히 앞서며, XGBoost는 유사한 성능를 보였지만 일관성은 떨어졌다.
• GAN을 활용한 데이터 증강은 특히 흑색종과 같이 표본 수가 적은 병변 유형에 대해 모델의 일반화 능력을 크게 향상시켰다.
• SNV 전처리와 조합된 1D-CNN은 거짓 음성 및 거짓 양성 수를 줄이는 데 뛰어난 성능를 보였지만, 완전히 수렴하기 위해 더 많은 데이터가 필요하였다.
• NIR-SC-UFES 데이터셋은 피부 병변에 대한 공개된 비침습적 NIR 스펙트럼 데이터셋으로서 세계 최초이며, 향후 연구에 중요한 기준이 될 것이다.

Figure 3: Spectral data sample of the six kind of skin lesions contained in the NIR-SC-UFES dataset.