[논문 리뷰] Towards an Automatic Diagnosis of Peripheral and Central Palsy Using Machine Learning on Facial Features

C. V. Vletter, Hendrico L Burger외 3명|arXiv (Cornell University)|2022. 01. 27.

Facial Nerve Paralysis Treatment and Research인용 수 5

한 줄 요약

이 연구는 68개의 얼굴 랜드마크를 이용한 이미지에서 자동으로 말초성 및 중심성 안면마비를 분류하는 기계학습 기반 접근법을 제안한다. SVM를 사용할 경우 최대 85.1%의 정확도를 기록하였고, 가우시안 나이브 베이즈를 사용할 경우 80.7%의 정확도를 달성하였다. 최고의 성능을 보인 가우시안 나이브 베이즈 모델은 중심성 마비에 대해 80%의 민감도를 보였으며, 이는 조기 뇌졸중 진단에 매우 중요한 사항이다. 또한, 데이터셋을 334장으로 확장할 경우 95%의 민감도를 달성할 수 있을 것으로 추정된다.

ABSTRACT

Central palsy is a form of facial paralysis that requires urgent medical attention and has to be differentiated from other, similar conditions such as peripheral palsy. To aid in fast and accurate diagnosis of this condition, we propose a machine learning approach to automatically classify peripheral and central facial palsy. The Palda dataset is used, which contains 103 peripheral palsy images, 40 central palsy, and 60 healthy people. Experiments are run on five machine learning algorithms. The best performing algorithms were found to be the SVM (total accuracy of 85.1%) and the Gaussian naive Bayes (80.7%). The lowest false negative rate on central palsy was achieved by the naive Bayes approach (80% compared to 70%). This condition could prove to be the most severe, and thus its sensitivity is another good way to compare algorithms. By extrapolation, a dataset size of 334 total pictures is estimated to achieve a central palsy sensitivity of 95%. All code used for these machine learning experiments is freely available online at https://github.com/cvvletter/palsy.

연구 동기 및 목표

• 말초성 및 중심성 안면마비를 구분하는 자동화되고 강건한 기계학습 시스템을 개발하기 위해, 임상적으로 유사하지만 중증도와 긴급성에서 다름을 고려한다.
• 이전의 수동으로 정의된 임계값에 의존하는 규칙 기반 분류 시스템을 대체하기 위해, 데이터 기반이며 일반화 가능한 기계학습 접근법을 도입한다.
• 불균형하고 소규모 데이터셋에서의 성능 최적화를 통해 중심성 마비에 대한 진단 민감도를 향상시켜 뇌졸중 진단에 있어 핵심적인 역할을 한다.
• 다양한 기계학습 알고리즘을 다양한 얼굴 랜드마크 특징 표현 방식에 적용하여 가장 효과적인 분류 전략을 규명한다.

제안 방법

• 이 연구는 203장의 이미지를 포함하는 Palda 데이터셋을 사용한다. 이는 말초성 마비 103건, 중심성 마비 40건, 건강한 개인 60명으로 구성되며, 각각 68개의 얼굴 랜드마크로 표시되어 있다.
• SVM, 랜덤 포레스트, 가우시안 나이브 베이즈, k-NN, 의사결정트리 등 다섯 가지 기계학습 알고리즘을 사용하여 이론적 검증을 수행하며, 소규모 데이터에서의 강건성을 확보하기 위해 이류-아웃 교차검증(LOOCV)을 적용한다.
• 세 가지 특징 표현 방식을 테스트한다: 원시 랜드마크 좌표(랜드마크 데이터셋), 유도된 기하학적 지표(지표 데이터셋), 턱 랜드마크를 제외한 버전(노친 데이터셋).
• 정확도, 중심성 마비에 대한 민감도, 그리고 가짜 음성 비율을 평가 지표로 사용하며, 95% 민감도를 달성하기 위한 필요 데이터셋 크기를 추정하기 위해 곡선 피팅 기법을 적용한다.
• 각 알고리즘에 대해 하이퍼파rameter를 튜닝하고, 검증 성능에 기반해 최고의 성능을 보인 모델을 선별한다.
• 선형, 다항식, 또는 곡선 피팅 회귀 모델을 제안하여 원하는 정확도 및 민감도를 달성하기 위한 필요 데이터셋 크기를 예측한다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 기존의 규칙 기반 시스템보다 얼굴 랜드마크 데이터를 이용해 말초성 및 중심성 마비를 분류하는 데서 더 높은 성능을 보일 수 있는가?
• RQ2 어느 기계학습 알고리즘이 중심성 마비에 대해 가장 높은 정확도와 민감도를 기록하는가? 중심성 마비는 가장 임상적으로 긴급한 상태이다.
• RQ3 특히 턱 랜드마크를 제외할 경우 분류 성능에 어떤 영향을 미치는가?
• RQ4 최고의 성능을 보이는 모델을 사용할 경우 중심성 마비 진단에 95% 민감도를 달성하기 위해 필요한 데이터셋 크기는 얼마인가?
• RQ5 성능 곡선을 신뢰성 있게 외삽하여 데이터 증강의 영향을 모델 민감도에 대해 예측할 수 있는가?

주요 결과

• 다항식 커널 차수 4를 사용한 SVM가 랜드마크 데이터셋에서 가장 높은 전체 정확도 85.1%를 기록했으며, 이는 지표 데이터셋에서 100개의 추정기로 구성된 랜덤 포레스트와 동일한 성능을 보였다.
• 가우시안 나이브 베이즈 모델이 중심성 마비에 대해 가장 높은 민감도 80%를 기록했으며, SVM의 70% 및 랜덤 포레스트의 60%를 초월했다.
• 턱 랜드마크를 제외함으로써 여섯 알고리즘 중 다섯 개의 알고리즘에서 분류 정확도가 향상되었으며, 이는 턱 랜드마크가 잡음이나 분류 능력을 저하시키는 요소가 될 수 있음을 시사한다.
• 곡선 피팅 분석 결과, 가우시안 나이브 베이즈 모델을 사용할 경우 중심성 마비에 대해 95% 민감도를 달성하기 위해 약 334장의 이미지가 필요하다고 추정된다.
• 모든 모델이 건강한 개인을 정확히 모두 분류했으며, 이는 건강한 클래스에 대해 매우 높은 특이도를 보임을 의미한다.
• 지표 데이터셋에서 랜덤 포레스트 모델은 말초성 마비 사례에 대해 과적합의 징후를 보였으며, 중심성 마비에서 더 높은 오차율을 기록했다.