[논문 리뷰] A Systematic Review of Generalization Research in Medical Image Classification

Sarah Matta, Mathieu Lamard외 5명|arXiv (Cornell University)|2024. 03. 18.

AI in cancer detection인용 수 1

한 줄 요약

이 체계적 리뷰는 의료 영상 분류 분야에서 딥러닝을 위한 최신 도메인 일반화 기법을 종합적으로 분석하며, 공변이동 또는 개념이동 유형의 이동을 기준으로 방법을 분류한다. 학습 기반 방법이 두 유형의 이동에 모두 효과적인 해결책으로 부상하고 있음을 확인하며, 더 나은 평가 프로토콜과 다중모달, 개인정보 보호 기반 프레임워크의 필요성을 강조하여 임상 환경에서 강건하고 일반화 가능한 AI를 실현하고자 한다.

ABSTRACT

Numerous Deep Learning (DL) classification models have been developed for a large spectrum of medical image analysis applications, which promises to reshape various facets of medical practice. Despite early advances in DL model validation and implementation, which encourage healthcare institutions to adopt them, a fundamental questions remain: how can these models effectively handle domain shift? This question is crucial to limit DL models performance degradation. Medical data are dynamic and prone to domain shift, due to multiple factors. Two main shift types can occur over time: 1) covariate shift mainly arising due to updates to medical equipment and 2) concept shift caused by inter-grader variability. To mitigate the problem of domain shift, existing surveys mainly focus on domain adaptation techniques, with an emphasis on covariate shift. More generally, no work has reviewed the state-of-the-art solutions while focusing on the shift types. This paper aims to explore existing domain generalization methods for DL-based classification models through a systematic review of literature. It proposes a taxonomy based on the shift type they aim to solve. Papers were searched and gathered on Scopus till 10 April 2023, and after the eligibility screening and quality evaluation, 77 articles were identified. Exclusion criteria included: lack of methodological novelty (e.g., reviews, benchmarks), experiments conducted on a single mono-center dataset, or articles not written in English. The results of this paper show that learning based methods are emerging, for both shift types. Finally, we discuss future challenges, including the need for improved evaluation protocols and benchmarks, and envisioned future developments to achieve robust, generalized models for medical image classification.

연구 동기 및 목표

• 의료 영상 분류에서 도메인 이동으로 인한 모델 성능 저하 문제를 해결하기 위해.
• 공변이동과 개념이동을 명확히 구분하는 데 중점을 두어 기존 도메인 일반화 기법을 체계적으로 검토하기 위해.
• 평가 프로토콜 부족 및 표준화된 벤치마크 부족을 포함한 방법론적 격차를 규명하기 위해.
• 다중모달 학습, 연합 도메인 일반화, 적대적 및 외부 분포 이동에 대한 강건성 향상과 같은 향후 연구 방향을 탐색하기 위해.
• 재현 가능성과 임상적 신뢰를 향상시키기 위해 통합된 용어와 평가 프레임워크를 권장하기 위해.

제안 방법

• Scopus를 주요 데이터베이스로 사용하여 도메인 일반화, 의료 영상, 이동 유형을 중심으로 검색어를 설정하여 체계적 문헌 리뷰를 수행하였다.
• 엄격한 포함 기준을 적용: 메타적 혁신성이 있는 원저서, 다중 기관 또는 다중 도메인 데이터셋, 영어로 작성된 논문만 포함하였다.
• 초기 검색 및 품질 평가 후 77篇의 논문을 선별하였으며, 리뷰, 벤치마크 및 단일 기관 데이터를 사용한 연구는 제외하였다.
• 공변이동(데이터 분포 변화)과 개념이동(레이블 관계 변화)을 완화하고자 하는 목표에 따라 도메인 일반화 방법의 분류 체계를 제안하였다.
• 데이터 증강, 표현 학습, 모델 최적화의 세 가지 범주로 나누어 분석하였으며, 레이블 노이즈 및 데이터 이질성 처리 기법에 특별한 중점을 두었다.
• 연합 학습과 다중모달 학습의 통합을 통해 임상 적용 시 개인정보 보호 및 데이터 다양성 과제를 해결하고자 하였다.

실험 결과

연구 질문

• RQ1 의료 영상 분류 분야에서 현재 최신 기술인 도메인 일반화 방법은 무엇이며, 이는 어떤 이동 유형에 따라 분류되는가?
• RQ2 이미징 프로토콜, 장비 또는 촬영 파rameter의 차이로 인한 공변이동은 기존 방법이 어떻게 다루고 있는가?
• RQ3 다른 평가자 간의 차이와 일관되지 않은 레이블링 체계로 인한 개념이동은 어느 정도 완화되고 있는가?
• RQ4 이 연구 분야에서 평가 프로토콜, 벤치마크, 용어 표준화의 주요 한계는 무엇인가?
• RQ5 다중모달 학습, 연합 도메인 일반화, 기초 모델 등의 향후 연구 방향은 강건하고 일반화 가능한 의료 AI를 달성하는 데 어떤 잠재력을 지니고 있는가?

주요 결과

• 체계적 선별을 통해 77개의 고품질 연구를 확보하였으며, 이는 도메인 일반화에 대한 연구 관심이 지속적으로 증가하고 있음을 확인한다.
• 학습 기반 방법이 공변이동과 개념이동 모두에 효과적인 해결책으로 부상하고 있으며, 특히 표현 학습과 데이터 증강 분야에서 두드러진다.
• 외부 분포 일반화를 위한 표준화된 벤치마크와 평가 프로토콜 부족으로 인해 평가 측면에서 여전히 큰 과제가 존재한다.
• 원시 데이터를 공유하지 않고도 다중 기관 간 협업을 가능하게 하며 데이터 프라이버시를 보존하는 데 유망한 방법으로 연합 도메인 일반화가 제안된다.
• 영상, 전자 의무기록(EHR), 유전체 정보를 융합하는 다중모달 통합은 기회와 위험을 동시에 안고 있으며, 관리되지 않으면 생성된 데이터 이동을 유발할 수 있다.
• 공변이동 vs. 개념이동 등의 이동 유형에 대한 통합된 용어 체계가 부족하여 연구 간 재현성과 비교 가능성에 장애가 있다.