[논문 리뷰] Triaging moderate COVID-19 and other viral pneumonias from routine blood tests

Forrest Sheng Bao, Youbiao He외 10명|arXiv (Cornell University)|2020. 05. 13.

COVID-19 diagnosis using AI참고 문헌 23인용 수 19

한 줄 요약

이 연구는 208명의 중증도 코로나19 및 86명의 비코로나19 바이러스성 폐렴 환자 데이터를 바탕으로 정규화된 혈액 검사 데이터를 활용하여 랜덤 포레스트와 서포트 벡터 머신(SVMs)을 적용한 기계학습 접근법을 제안한다. 이는 중증도 코로나19와 비코로나19 바이러스성 폐렴을 분류하는 데 84% 정확도, 88% 민감도, 80% 특이도, 92% 정밀도를 기록한 SVM 기반 분류기로 구현된다.

ABSTRACT

The COVID-19 is sweeping the world with deadly consequences. Its contagious nature and clinical similarity to other pneumonias make separating subjects contracted with COVID-19 and non-COVID-19 viral pneumonia a priority and a challenge. However, COVID-19 testing has been greatly limited by the availability and cost of existing methods, even in developed countries like the US. Intrigued by the wide availability of routine blood tests, we propose to leverage them for COVID-19 testing using the power of machine learning. Two proven-robust machine learning model families, random forests (RFs) and support vector machines (SVMs), are employed to tackle the challenge. Trained on blood data from 208 moderate COVID-19 subjects and 86 subjects with non-COVID-19 moderate viral pneumonia, the best result is obtained in an SVM-based classifier with an accuracy of 84%, a sensitivity of 88%, a specificity of 80%, and a precision of 92%. The results are found explainable from both machine learning and medical perspectives. A privacy-protected web portal is set up to help medical personnel in their practice and the trained models are released for developers to further build other applications. We hope our results can help the world fight this pandemic and welcome clinical verification of our approach on larger populations.

연구 동기 및 목표

• 임상적 유사성과 테스트 자원의 제한으로 인해 중증도 코로나19와 다른 바이러스성 폐렴을 구별하는 데 도전하는 것.
• 광범위한 SARS-CoV-2 테스트의 제약을 극복하기 위해 일상적으로 수집된 혈액 검사 데이터를 활용하는 것.
• 가용한 임상 데이터를 활용해 저비용으로 초기 단계에서 중증도 폐렴 환자를 선별할 수 있는 기계학습 모델을 개발하는 것.
• 기밀 보호된 웹 포털과 오픈소스 모델을 통해 모델의 해석 가능성과 실용적 구현을 보장하는 것.
• 테스트 용량이 부족한 팬데믹 확산 기간 동안 임상 의사결정 지원을 위한 도구를 제공하는 것.

제안 방법

• 208명의 중증도 코로나19 및 86명의 비코로나19 바이러스성 폐렴 환자로부터 수집한 정규 혈액 검사 데이터를 입력 특성으로 사용한다.
• 분류에 대해 두 가지 강력한 기계학습 기반—랜덤 포레스트(RFs)와 서포트 벡터 머신(SVMs)—을 적용한다.
• 혈액 생물학적 지표를 기반으로 중증도 코로나19와 비코로나19 바이러스성 폐렴을 구분하도록 모델을 훈련시킨다.
• 표준 초모수 튜닝 및 교차 검증 기법을 사용해 모델 성능을 최적화한다.
• 훈련된 모델의 실시간 임상 적용을 가능하게 하기 위해 기밀 보호 웹 포털을 구현한다.
• 모델을 오픈소스로 공개하여 향후 임상 및 연구 응용 분야에서의 발전과 통합을 장려한다.

실험 결과

연구 질문

• RQ1 정규 혈액 검사 데이터로 중증도 코로나19와 비코로나19 바이러스성 폐렴을 신뢰성 있게 구별할 수 있는가?
• RQ2 다양한 기계학습 모델(예: RFs 대 SVMs)이 혈액 생물학적 지표를 사용해 이 조건을 분류하는 데 어떻게 성능을 내는가?
• RQ3 모델 예측은 기계학습 및 임상적 관점에서 어느 정도 해석 가능성이 있는가?
• RQ4 이러한 접근법을 활용한 구현 시스템이 테스트 용량이 제한된 임상 환경에서 선별에 기여할 수 있는가?
• RQ5 최고 성능을 보인 모델의 정확도, 민감도, 특이도 및 정밀도는 각각 얼마인가?

주요 결과

• SVM 기반 분류기가 가장 높은 성능을 보이며 84% 정확도, 88% 민감도, 80% 특이도, 92% 정밀도를 기록했다.
• 모델의 예측 결과는 기계학습 및 임상적 관점에서 모두 해석 가능했으며, 신뢰도 향상과 사용성 향상에 기여했다.
• 최고 성능 모델은 테스트 세트에서 강력한 일반화 능력을 보였으며, 혈액 검사 값의 변동성에 대해 강인함을 입증했다.
• 결과는 정규 혈액 검사가 중증도 바이러스성 폐렴을 선별하는 데 충분한 분류 정보를 포함하고 있음을 시사한다.
• 기밀 보호 웹 포털이 성공적으로 구현되어 임상적 활용을 지원하였고, 훈련된 모델은 공개적으로 재사용 가능하도록 배포되었다.
• 이 연구는 자원이 제한되거나 수요가 높은 환경에서 PCR 검사의 확장 가능한 저비용 대안을 제공한다.