[논문 리뷰] Diagnosis of Autism in Children using Facial Analysis and Deep Learning

Madison Beary, Alex Hadsell외 2명|arXiv (Cornell University)|2020. 08. 06.

Autism Spectrum Disorder Research참고 문헌 16인용 수 25

한 줄 요약

이 연구는 94.6%의 정확도로 얼굴 영상을 사용하여 어린이를 자폐증 또는 정상 발달 아동으로 분류하는 딥러닝 모델을 제안한다. 특징 추출에 MobileNet을 활용하고 분류에 두 개의 완전 연결 밀도층을 사용한 모델은 3,014장의 균형 잡힌 이미지 데이터셋을 기반으로 훈련되었으며, 행동 평가가 필요 없이 시각적 데이터만으로도 자폐증 진단을 효과적으로 수행할 수 있음을 보여주며, 저비용이고 확장 가능한 진단 방법을 제시한다.

ABSTRACT

In this paper, we introduce a deep learning model to classify children as either healthy or potentially autistic with 94.6% accuracy using Deep Learning. Autistic patients struggle with social skills, repetitive behaviors, and communication, both verbal and nonverbal. Although the disease is considered to be genetic, the highest rates of accurate diagnosis occur when the child is tested on behavioral characteristics and facial features. Patients have a common pattern of distinct facial deformities, allowing researchers to analyze only an image of the child to determine if the child has the disease. While there are other techniques and models used for facial analysis and autism classification on their own, our proposal bridges these two ideas allowing classification in a cheaper, more efficient method. Our deep learning model uses MobileNet and two dense layers in order to perform feature extraction and image classification. The model is trained and tested using 3,014 images, evenly split between children with autism and children without it. 90% of the data is used for training, and 10% is used for testing. Based on our accuracy, we propose that the diagnosis of autism can be done effectively using only a picture. Additionally, there may be other diseases that are similarly diagnosable.

연구 동기 및 목표

• 얼굴 영상만을 사용하여 저비용이고 효율적인 자폐증 진단 방법을 개발하기 위해.
• 얼굴 분석과 딥러닝을 융합하여 자폐증 분류 성능을 향상시키기 위해.
• 자폐증 어린이의 특징적인 얼굴 패턴이 기계 학습을 통해 진단을 신뢰성 있게 예측할 수 있는지 평가하기 위해.
• 행동 평가가 필요 없이 영상 기반 자폐증 검출의 가능성을 입증하기 위해.

제안 방법

• 모델은 얼굴 영상을 처리하기 위해 MobileNet을 특징 추출기로 활용한다.
• 특징 추출 단계 이후에 분류를 위해 두 개의 완전 연결 밀도층을 추가한다.
• 데이터셋은 자폐증 어린이와 정상 발달 어린이 간에 균형 잡힌 3,014장의 이미지로 구성되어 있다.
• 학습에 데이터의 90%를 사용하고, 성능 평가를 위해 테스트용으로 10%를 사용한다.
• 표준 딥러닝 최적화 기법을 사용하여 모델을 엔드 투 엔드로 훈련시킨다.
• 진단 성능를 평가하기 위해 테스트 세트에서 분류 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 얼굴 특징만으로도 자폐증 또는 정상 발달 어린이를 정확하게 분류할 수 있는가?
• RQ2 MobileNet과 밀도층을 사용한 딥러닝 모델이 얼굴 영상에서 자폐증을 얼마나 효과적으로 탐지할 수 있는가?
• RQ3 제한적이고 균형 잡힌 얼굴 영상 데이터셋으로도 이 모델이 높은 정확도를 달성할 수 있는가?
• RQ4 이 접근법이 기존 행동 평가의 대체로 확장 가능하고 저비용일 수 있는가?

주요 결과

• 모델은 테스트 세트에서 94.6%의 분류 정확도를 달성했다.
• 얼굴 영상만으로도 자폐증 어린이와 정상 발달 어린이를 효과적으로 구분할 수 있었다.
• 모델은 미리 보지 않은 데이터에 대해 강력한 일반화 능력을 보이며, 안정성을 입증했다.
• 결과는 딥러닝을 활용한 얼굴 분석이 자폐증 진단에 실용적인 도구가 될 수 있음을 시사한다.
• 이 방법은 얼굴 표현형이 뚜렷한 다른 질환으로도 확장 가능할 수 있다.