[논문 리뷰] Machine learning applications for COVID-19: A state-of-the-art review

Firuz Kamalov, Aswani Kumar Cherukuri외 3명|arXiv (Cornell University)|2021. 01. 19.

COVID-19 diagnosis using AI인용 수 10

한 줄 요약

이 논문은 코로나19와의 전투에서 기계학습 응용에 대한 종합적이고 최신의 리뷰를 제공하며, 예측, 의료 진단, 약물 개발, 접촉 추적을 중심으로 다룹니다. LSTMs와 CNNs와 같은 최첨단 모델이 진단에서 99% 이상의 정확도와 예측에서 상관계수 0.999를 달성한 반면, 데이터 부족과 모델 해석 가능성 문제가 주요 과제로 지적됩니다.

ABSTRACT

The COVID-19 pandemic has galvanized the machine learning community to create new solutions that can help in the fight against the virus. The body of literature related to applications of machine learning and artificial intelligence to COVID-19 is constantly growing. The goal of this article is to present the latest advances in machine learning research applied to COVID-19. We cover four major areas of research: forecasting, medical diagnostics, drug development, and contact tracing. We review and analyze the most successful state of the art studies. In contrast to other existing surveys on the subject, our article presents a high level overview of the current research that is sufficiently detailed to provide an informed insight.

연구 동기 및 목표

• 코로나19에 적용된 최신 기계학습 연구에 대한 시의적절하고 상세한 개요를 제공함으로써 네 가지 핵심 영역을 다룹니다.
• 예측, 진단, 약물 개발, 접촉 추적 분야에서 최첨단 기계학습 모델의 성능을 분석하고 비교합니다.
• 특히 딥 러닝과 진화 최적화 기법을 포함한 가장 효과적인 알고리즘과 기법이 실제 팬데믹 대응 응용에서 어떻게 기능하는지 강조합니다.
• 모델의 일반화 및 최적 성능를 저해하는 주요 과제인 데이터 부족과 모델 해석 가능성 문제를 특정합니다.
• 향후 기계학습 기반 팬데믹 대응 연구를 가속화하기 위해 정부 및 기관의 데이터 공유 참여를 촉구합니다.

제안 방법

• arXiv를 포함한 주요 연구 자료소스에서의 동료심사 논문 및 프리프린트 문헌에 대한 체계적 리뷰를 통해 최신 정보를 확보합니다.
• 예측(시계열 모델 사용), 진단(CNN 및 흉부 X-ray/CT 영상 사용), 약물 개발(변동형 오토인코더 사용), 접촉 추적(블루투스 및 신호 처리 사용)의 네 영역으로 기계학습 응용을 분류하고 분석합니다.
• 다양한 데이터셋에서 상관계수(R), 정확도, 정밀도, 재현율, F1 점수와 같은 표준 지표를 사용해 모델 성능을 평가합니다.
• 특히 예측 및 진단 분야처럼 빠르게 변화하는 분야에서 최신 진전을 반영하기 위해 프리프린트 연구를 포함합니다.
• 공간적 및 시간적 동역학을 통합하기 위해 예측 모델에 그래프 신경망과 이동 데이터를 활용합니다.
• 접촉 추적에서 복잡한 신호 패턴을 모델링하기 위해 트랜스포머 아키텍처와 1D 컨볼루션 네트워크를 적용하여 근접도 측정 성능을 향상시킵니다.

실험 결과

연구 질문

• RQ1 어떤 기계학습 모델이 신규 코로나19 감염자 수를 예측할 때 가장 높은 예측 정확도를 보여주는가?
• RQ2 딥 러닝 모델은 X-ray 및 CT 영상 같은 의료 영상에서 코로나19를 진단할 때 인간 수준의 성능에 얼마나 가까이 도달할 수 있는가?
• RQ3 변동형 오토인코더 같은 생성 모델은 SARS-CoV-2의 약물 및 백신 개발을 얼마나 효과적으로 가속화하는가?
• RQ4 블루투스 신호 세기(RSSI)를 사용한 근접도 분류에서 다양한 기계학습 알고리즘 간 성능 차이는 어떠한가?
• RQ5 팬데믹 대응에 있어서 기계학습 솔루션의 실생활 적용을 저해하는 주요 제약 조건—특히 데이터 부족과 모델 해석 가능성—은 무엇인가?

주요 결과

• 장기 단기 기억(LSTM) 네트워크와 다층 퍼셉트론(MLP) 모델이 여러 국가에서 미래 감염률 예측에서 상관계수 0.999를 달성했다.
• 컨볼루션 신경망(CNNs)이 흉부 X-ray 및 CT 스캔 영상에서 코로나19를 진단하는 데 99% 이상의 정확도를 기록하여 인간 수준의 진단 성능에 근접했다.
• 가우시안 SVM과 1D 컨볼루션 네트워크가 블루투스 RSSI를 사용한 근접도 감지에서 다른 분류기보다 뛰어난 성능을 보였으며, 후자는 평균 90% 높은 성능을 기록했다.
• 트랜스포머 기반 모델이 사용자 이동 이력의 장거리 의존성을 포착하여 접촉 추적에서 위험 예측 성능을 향상시켰고, 이로 인해 유효 감염 수를 감소시켰다.
• K-최근접 이웃(K-NN) 비지도 학습이 스마트폰 이동 데이터를 기반으로 5미터 이격 기준으로 봉쇄 지역 예측에 효과적으로 기여했다.
• 통제된 환경에서는 높은 성능를 보였지만, 환자 데이터에 대한 제한적이고 비균일하며 개인정보 보호 제약이 있는 접근성으로 인해 일반화 및 실생활 확장성에 심각한 도전 과제를 겪고 있다.