[논문 리뷰] Supervised classification of Dermatological diseases by Deep learning

Sourav Mishra, Toshihiko Yamasaki외 1명|arXiv (Cornell University)|2018. 02. 11.

Cutaneous Melanoma Detection and Management참고 문헌 1인용 수 10

한 줄 요약

이 논문은 약 47,000장의 이미지를 포함한 정제된 데이터셋을 사용하여 9종의 흔한 피부과 질환을 식별하는 딥러닝 기반 분류기를 제안한다. ResNet 및 DenseNet 아키텍처를 미세조정하여 검증되지 않은 테스트 데이터에서 최대 82.3%의 정확도를 달성하였다. 모델는 모바일 장치에 배포하기 위해 최적화되었으며, 일반의사의 정확도(57%)를 초월하여 낙후된 지역에서 피부 질환의 조기 발견을 가능하게 한다.

ABSTRACT

This paper introduces a deep-learning based efficient classifier for common dermatological conditions, aimed at people without easy access to skin specialists. We report approximately 80% accuracy, in a situation where primary care doctors have attained 57% success rate, according to recent literature. The rationale of its design is centered on deploying and updating it on handheld devices in near future. Dermatological diseases are common in every population and have a wide spectrum in severity. With a shortage of dermatological expertise being observed in several countries, machine learning solutions can augment medical services and advise regarding existence of common diseases. The paper implements supervised classification of nine distinct conditions which have high occurrence in East Asian countries. Our current attempt establishes that deep learning based techniques are viable avenues for preliminary information to aid patients.

연구 동기 및 목표

• 전문의가 접근하기 어려운 지역에서 피부과 진료의 初期 진단을 위한 모바일 배포가 가능한 딥러닝 시스템을 개발하기 위해.
• 일반의사의 진단 정확도(57%)를 초월하기 위해 피부과 영상에 딥러닝을 활용함으로써 정확도를 향상시키기 위해.
• 공개 사용을 위해 9종의 흔한 피부 질환에 걸쳐 47,000장의 균형 잡힌, 임상적으로 검토된 이미지 데이터셋을 정제하고 배포하기 위해.
• 실제 배포를 위한 정확도, 학습 시간, 추론 속도 간의 상호 상충 관계를 평가하기 위해.
• 여러 가지 흔한 피부 질환을 동시에 높은 신뢰도로 탐지할 수 있는 가능성 탐색하기 위해.

제안 방법

• 저자들은 9종의 피부과 질환에 걸쳐 약 47,000장의 임상 영상 데이터셋을 정제하였으며, 각 이미지에 하나의 질환만 포함되고 클래스 분포가 균형을 이루도록 하였다.
• 클래스 분포를 균형 있게 하고 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용하였으며, 학습-검증 세트는 90:10 비율로 나누었고, 별도의 블라인드 테스트 세트(530장)를 확보하였다.
• 교정된 딥 네트워크(ResNet18, ResNet50, ResNet152, DenseNet161)를 교차 엔트로피 손실을 사용하여 분류 오차를 최소화하도록 미세조정하였다.
• 검증 정확도와 추론 속도를 기준으로 최고의 성능을 보인 모델인 ResNet152를 선택하였으며, 전체 미세조정 후 검증 정확도가 84.38%에 도달하였다.
• CPU 기반 추론 평가에서 평균 이미지 추론 시간이 0.4초로 확인되어 모바일 배포에 적합함을 입증하였다.
• 제거 실험을 통해 전체 네트워크의 미세조정이 고정된 백본을 사용한 특징 추출 또는 전이 학습보다 우수한 성능을 보임을 확인하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 흔한 피부과 질환에 대해 일반의사의 진단 정확도를 뛰어넘을 수 있는가?
• RQ2 ResNet, DenseNet 등의 다양한 딥 네트워크 아키텍처가 피부과 영상 분류에서 정확도와 학습 시간에 어떻게 영향을 미치는가?
• RQ3 데이터 증강 및 데이터셋 균형이 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ4 최소한의 추론 지연으로 모바일 장치에 효율적으로 배포할 수 있는가?
• RQ5 시각적으로 뚜렷한 질환과 모호한 피부 반응(예: 휠, 크러스트) 간에 모델 성능은 어떻게 달라지는가?

주요 결과

• ResNet152 모델이 최고의 테스트 정확도 82.30%를 기록하였으며, 일반의사의 57% 성공률를 뛰어넘었다.
• 9개 질환 중 5개가 80% 이상의 정확도를 기록하였으며, 이는 궤양(93.1%)과 색소성 매크류(96.4%)와 같이 시각적으로 뚜렷한 질환에서 높은 성능을 보임을 의미한다.
• 휠과 크러스트와 같은 질환은 낮은 정확도(각각 72.0% 및 60.4%)를 기록하였으며, 이는 낮은 무늬와 대비로 인해 시각적 패턴이 모호한 데 기인한 것으로 보인다.
• 학습 시간은 크게 차이가 났으며, ResNet152는 전체 미세조정에 840.7분(14시간)이 소요된 반면, ResNet18는 140.5분 뿐이었으며, 이는 정확도와 속도 사이의 상충 관계를 보여준다.
• CPU 기반에서 평균 추론 시간이 0.4초로 확인되어 실시간 모바일 배포의 가능성을 확인하였다.
• 본 연구는 데이터셋, 코드, 미세조정된 모델을 공개하여 재현 가능성 및 의료 AI 분야의 향후 연구를 지원하였다.