[논문 리뷰] Genetic Deep Learning for Lung Cancer Screening

Hunter Park, Connor Monahan|arXiv (Cornell University)|2019. 07. 27.

AI in cancer detection참고 문헌 36인용 수 6

한 줄 요약

이 논문은 저선량 흉부 X-ray에서 조기 폐암 검출을 위한 경량화된 합성곱 신경망을 자동으로 설계하기 위해 유전 알고리즘 기반 신경망 아키텍처 탐색(DeepNEAT-Dx)을 제안한다. 이 방법은 97.15%의 정확도, 99.88%의 양성 예측도, 94.81%의 음성 예측도를 달성한 모델을 도출하였으며, ResNet-152와 Inception-V3를 능가하면서도 파rameter 수를 14배 줄였다.

ABSTRACT

Convolutional neural networks (CNNs) have shown great promise in improving computer aided detection (CADe). From classifying tumors found via mammography as benign or malignant to automated detection of colorectal polyps in CT colonography, these advances have helped reduce the need for further evaluation with invasive testing and prevent errors from missed diagnoses by acting as a second observer in today's fast paced and high volume clinical environment. CADe methods have become faster and more precise thanks to innovations in deep learning over the past several years. With advancements such as the inception module and utilization of residual connections, the approach to designing CNN architectures has become an art. It is customary to use proven models and fine tune them for particular tasks given a dataset, often requiring tedious work. We investigated using a genetic algorithm (GA) to conduct a neural architectural search (NAS) to generate a novel CNN architecture to find early stage lung cancer in chest x-rays (CXR). Using a dataset of over twelve thousand biopsy proven cases of lung cancer, the trained classification model achieved an accuracy of 97.15% with a PPV of 99.88% and a NPV of 94.81%, beating models such as Inception-V3 and ResNet-152 while simultaneously reducing the number of parameters a factor of 4 and 14, respectively.

연구 동기 및 목표

• 저선량 흉부 X-ray에서 조기 폐암 검출을 위한 자동화되고 데이터 기반의 깊이 신경망 아키텍처 설계 방법을 개발하기 위해.
• 유전 알고리즘을 사용하여 기존의 수동 아키텍처 설계와 전이 학습의 한계를 극복하고, 새로운 효율적인 아키텍처를 탐색하기 위해.
• 조기 단계 폐암 검출에서 병변이 놓치기 쉬운 점을 감안해 진단 정확도를 향상시키고 가짜 음성 결과를 줄이기 위해.
• 활성화 히트맵을 통해 해석 가능성을 제공하여 방사선의학자가 분류 예측에 영향을 주는 영역를 시각화함으로써 모델 예측을 검증할 수 있도록 하기 위해.

제안 방법

• 신경망 아키텍처 탐색(NAS)을 수행하기 위해 유전 알고리즘(GA)을 사용하여 선택, 교차, 변이를 통해 아키텍처 구성 요소를 진화시킨 합성곱 신경망(CNN) 아키텍처를 개발하였다.
• 검색 과정은 대규모 CXR 데이터셋에서 유래한 1,884건의 생검 확인 폐암 사례로 구성된 검증 세트에서의 성능을 기반으로 유도되었다.
• 최종 모델인 DeepNEAT-Dx는 확진된 폐암 진료 기록이 있는 12,000건 이상의 데이터셋에서 엔드 투 엔드로 훈련되었다.
• 최종 모델에 Grad-CAM 시각화를 적용하여 CXR에서 암 예측에 가장 영향을 주는 영역를 강조한 히트맵을 생성하였다.
• 모델 성능과 파rameter 효율성 양면에서 최적화되어, 최신 기술 모델들에 비해 모델 크기를 크게 줄였다.
• 이 방법은 사전 훈련된 ImageNet 가중치에 의존하지 않고, 의료 영상 데이터에서 직접 특징을 학습하였다.

실험 결과

연구 질문

• RQ1 전이 학습에 의존하지 않고도, 유전 알고리즘이 조기 폐암 검출을 위한 새로운 고성능 CNN 아키텍처를 효과적으로 탐색할 수 있는가?
• RQ2 ResNet-152와 Inception-V3와 같은 기존 모델과 비교해 GA로 진화된 모델의 정확도, 정밀도, 파rameter 효율성 측면에서의 성능는 어떠한가?
• RQ3 경계 상자 레이블이 제공되지 않은 상황에서 Grad-CAM과 같은 해석 가능성 기법이 CXR에서 암 관련 특징을 얼마나 정확하게 국소화할 수 있는가?
• RQ4 기존 모델들보다 훨씬 적은 파rameter로 진화된 아키텍처가 높은 진단 성능를 달성할 수 있는가? 이는 자원이 제한된 임상 환경에서의 구현 가능성을 높인다.
• RQ5 모델의 예측이 방사선의학자가 레이블링한 종양 위치와 상관이 있는가? 이는 특징 주의력이 생물학적으로 타당한지를 시사한다.

주요 결과

• DeepNEAT-Dx 모델은 생검 확인된 1,884건의 CXR 사례로 구성된 검증 세트에서 테스트 정확도 97.15%를 달성하였다.
• 모델은 양성 예측도(PPV)가 99.88%로 매우 낮은 가짜 양성 비율을 보였다.
• 음성 예측도(NPV)는 94.81%로, 음성 결과에서 암을 배제하는 데 높은 신뢰도를 보였다.
• ResNet-152(60.2M) 대비 파rameter 수를 14배 줄여 4.9M로 감소시켜 효율성을 크게 향상시켰다.
• Grad-CAM 히트맵은 방사선의학자가 레이블링한 종양 병변 영역와 일치하는 영역를 강조하여 임상적으로 관련된 특징과의 일치를 시사했다.
• Inception-V3와 ResNet-152 모두를 정확도와 PPV 측면에서 능가하면서도 훨씬 더 작은 크기의 모델이 되어 성능과 모델 크기 간의 우수한 트레이드오���을 보였다.