[논문 리뷰] Error Correction Codes for COVID-19 Virus and Antibody Testing: Using Pooled Testing to Increase Test Reliability

Jirong Yi, Myung Cho외 3명|arXiv (Cornell University)|2020. 07. 29.

SARS-CoV-2 detection and testing참고 문헌 26인용 수 9

한 줄 요약

이 논문은 SARS-CoV-2 및 항체 검사의 진단 정확도를 향상시키기 위해 오류 수정 부호화 원리를 활용하는 새로운 통합 검사 프레임워크를 제안한다. 개별 검사가 신뢰할 수 없을 경우에도 효과적으로 기능하며, 여러 풀에 걸쳐 샘플을 혼합하고 부족한 정보를 통해 오류를 수정함으로써, 개별 검사보다 훨씬 낮은 가짜 음성 및 가짜 양성 비율을 달성한다. 이는 테스트 횟수를 늘리지 않으면서도 기존의 통합 검사가 신뢰도를 떨어뜨린다는 전통적 믿음을 뛰어넘는다.

ABSTRACT

We consider a novel method to increase the reliability of COVID-19 virus or antibody tests by using specially designed pooled testings. Instead of testing nasal swab or blood samples from individual persons, we propose to test mixtures of samples from many individuals. The pooled sample testing method proposed in this paper also serves a different purpose: for increasing test reliability and providing accurate diagnoses even if the tests themselves are not very accurate. Our method uses ideas from compressed sensing and error-correction coding to correct for a certain number of errors in the test results. The intuition is that when each individual's sample is part of many pooled sample mixtures, the test results from all of the sample mixtures contain redundant information about each individual's diagnosis, which can be exploited to automatically correct for wrong test results in exactly the same way that error correction codes correct errors introduced in noisy communication channels. While such redundancy can also be achieved by simply testing each individual's sample multiple times, we present simulations and theoretical arguments that show that our method is significantly more efficient in increasing diagnostic accuracy. In contrast to group testing and compressed sensing which aim to reduce the number of required tests, this proposed error correction code idea purposefully uses pooled testing to increase test accuracy, and works not only in the "undersampling" regime, but also in the "oversampling" regime, where the number of tests is bigger than the number of subjects. The results in this paper run against traditional beliefs that, "even though pooled testing increased test capacity, pooled testings were less reliable than testing individuals separately."

연구 동기 및 목표

• 개별 검사의 가짜 양성 또는 가짜 음성 비율이 높을 경우, 대규모 SARS-CoV-2 및 항체 검사에서 신뢰할 수 없는 결과를 초래하는 문제를 해결하기 위해.
• 테스트 횟수를 늘리지 않고도 진단 신뢰도를 향상시키는 방법을 개발하여, 통합 검사가 신뢰도를 떨어뜨린다는 전통적 믿음을 뒤집기 위해.
• 각 개인의 샘플이 여러 풀에 포함되어 발생하는 부가 정보를 활용해 오류를 수정함으로써, 통신 시스템의 오류 수정 방식과 유사하게 작동하도록 하기 위해.
• 개별 검사보다 더 높은 정확도를 달성할 수 있음을 입증하기 위해, 개인 수를 초과하는 테스트를 수행하는 오버샘플링 영역에서도 성능을 보여주기 위해.

제안 방법

• 각 개인의 샘플이 여러 풀에 포함되어 중복 정보가 생성되는 조합적 풀링 설계를 사용한다.
• 압축 감지 및 오류 수정 부호화 원리를 적용하여, 풀링된 검사 결과에서 개인의 진단을 재구성한다. 이때 검사 오류는 통신 채널 내의 노이즈로 간주한다.
• 테스트 결과를 희박한 신호의 노이즈 있는 관측값으로 모델링하며, 감염된 개인은 이진 벡터의 비영인 항목으로 나타낸다.
• 풀링 구조를 고려하면서 오류를 최소화하는 최적화 문제를 해결함으로써 복호 알고리즘을 사용해 개인의 감염 상태를 추론한다.
• 이 방법은 RT-qPCR, RT-LAMP 및 ELISA 기반 검사 방법과 호환되어 바이러스 및 혈액형 검사에 널리 적용 가능하다.
• 성능 평가를 위해 다양한 노이즈 수준, 희박성 수준(감염된 개인 수) 및 이질적 오류 확률을 가진 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 통합 검사가 테스트 횟수를 줄이는 것 외에도, 개별 검사가 불안정할 경우 진단 정확도를 향상시킬 수 있는가?
• RQ2 노이즈 수준과 오류 조건이 다양할 때, 통합 검사의 성능이 개별 검사에 비해 가짜 양성 및 가짜 음성 비율 측면에서 어떻게 다를 것인가?
• RQ3 오류 수정 부호화 원리를 SARS-CoV-2 및 항체 검출을 위한 통합 샘플 검사에 적용했을 때, 얼마나 높은 수준의 신뢰도 향상을 이룰 수 있는가?
• RQ4 테스트 횟수가 개인 수를 초과하는 오버샘플링 영역에서도 제안된 방법이 정확도를 유지하거나 향상시키는가?
• RQ5 개별 검사 정확도가 낮을 경우, 특히 가짜 양성과 가짜 음성을 효과적으로 수정할 수 있는가?

주요 결과

• 모든 테스트 노이즈 수준과 희박성 수준에서 통합 검사 방법은 개별 검사보다 항상 낮은 가짜 음성 비율(FNR)을 달성한다.
• 모든 m ≥ n 인 경우(여기서 m은 테스트 수, n은 개인 수)에서 통합 검사 방법은 개별 검사보다 낮은 가짜 양성 비율(FPR)을 달성한다.
• 15%의 이질적 오류 확률과 높은 노이즈 수준(최대 2e0) 조건에서도 통합 방법은 개별 검사보다 유의미하게 높은 정확도를 유지한다.
• 통합 방법의 FNR과 FPR은 테스트 수가 증가함에 따라 단조롭게 감소하며, 더 많은 측정값이 성능 향상에 기여함을 나타낸다.
• 반면에 개별 검사의 FPR은 더 많은 반복 테스트를 거치면서 감염자를 놓치지 않기 위한 보수적인 전략으로 인해 악화되며, 이는 개별 검사의 핵심적 한계를 보여준다.
• 모든 시뮬레이션 케이스에서 개별 검사가 FNR과 FPR 측면에서 통합 검사보다 뛰어난 경우가 관찰되지 않아, 제안된 방법의 뛰어난 강건성과 우수성을 입증한다.