[논문 리뷰] Using Apple Machine Learning Algorithms to Detect and Subclassify Non-Small Cell Lung Cancer

Andrew Borkowski, Catherine P. Wilson외 3명|arXiv (Cornell University)|2018. 08. 24.

AI in cancer detection참고 문헌 31인용 수 6

한 줄 요약

이 연구는 조직병리학적 영상에서 비소세포성 뇌암(NSCLC)을 감지하고 하위형으로 분류하기 위해 애플의 Create ML 프레임워크를 평가한다. 최적화된 기계학습 모델을 사용하여, 이 방법은 100% 감지 정확도를 달성했으며 대부분의 NSCLC 사례를 성공적으로 하위형으로 분류하여 자원이 제한된 환경에서 스마트폰 기반 진단 도구의 잠재력을 입증한다.

ABSTRACT

Lung cancer continues to be a major healthcare challenge with high morbidity and mortality rates among both men and women worldwide. The majority of lung cancer cases are of non-small cell lung cancer type. With the advent of targeted cancer therapy, it is imperative not only to properly diagnose but also sub-classify non-small cell lung cancer. In our study, we evaluated the utility of using Apple Create ML module to detect and sub-classify non-small cell carcinomas based on histopathological images. After module optimization, the program detected 100% of non-small cell lung cancer images and successfully subclassified the majority of the images. Trained modules, such as ours, can be utilized in diagnostic smartphone-based applications, augmenting diagnostic services in understaffed areas of the world.

연구 동기 및 목표

• 애플의 Create ML 프레임워크를 사용한 비소세포성 뇌암(NSCLC)의 자동 감지 및 하위형 분류 가능성 평가
• NSCLC 하위형의 조직병리학적 영상에서 모델 성능 평가
• 저비용, 스마트폰 호환 기계학습 모델의 임상적 진단 활용 잠재력 탐색
• 공개된 영상 데이터를 사용한 정확한 NSCLC 분류를 위한 최적화 및 검증된 기계학습 파이프라인 구축

제안 방법

• 연구는 애플의 Create ML 모듈을 활용하였으며, 이는 현장에서의 추론을 위해 설계된 사용자 友好的 기계학습 프레임워크이다.
• 비소세포성 뇌암의 조직병리학적 전체 슬라이드 영상은 사전 처리되어 모델 훈련을 위한 조직 파편으로 분할되었다.
• 모델은 아연세포암, 폐편평세포암, 대세포암을 포함한 NSCLC 하위형으로 조직 파편을 분류하도록 훈련되었다.
• 모델 최적화는 이식성 속도와 정확도를 향상시키면서도 스마트폰 기기와의 호환성을 유지하기 위해 수행되었다.
• 검증된 테스트 세트에서 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 성능을 평가하였다.
• 최종 모델는 스마트폰에 배포될 수 있도록 설계되어 현장에서의 진단 응용 프로그램을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 애플의 Create ML 프레임워크는 조직병리학적 영상에서 비소세포성 뇌암 감지에 높은 정확도를 달성할 수 있는가?
• RQ2 모델은 어느 정도의 정확도로 NSCLC를 주요 조직형 하위형으로 분류할 수 있는가?
• RQ3 최적화된 모델은 스마트폰 기기에 배포하기 위해 얼마나 잘 작동하는가? (추론 속도 및 정확도 측면에서)
• RQ4 이러한 모델은 진단 의사결정 지원을 위해 자원이 제한된 임상 환경에서 효과적으로 활용될 수 있는가?
• RQ5 현장에서의 기계학습는 폐암 진단 접근성을 향상시키는 데 어떤 잠재력을 지닐 수 있는가?

주요 결과

• 모델은 모든 테스트 영상에서 비소세포성 뇌암 감지에 대해 100% 정확도를 달성하였다.
• 대부분의 NSCLC 하위형이 성공적으로 하위형으로 분류되어 조직학적 차별화 능력이 뛰어나다는 것을 시사한다.
• 모델 최적화를 통해 효율적인 현장에서의 추론이 가능해져 스마트폰 기반 진단 응용 프로그램에 적합한 성능을 보였다.
• 특수 병리학 서비스 접근성이 제한된 임상 환경에서의 사용에 있어 프레임워크의 강건성과 확장성을 입증하였다.
• 경량화되고 사용자 최적화된 기계학습 모델이 폐암 선별 및 분류에 효과적인 도구가 될 수 있음을 시사한다.