[論文レビュー] Monkeypox virus detection using pre-trained deep learning-based approaches

Chiranjibi Sitaula, Tej Bahadur Shahi|arXiv (Cornell University)|Sep 6, 2022

Poxvirus research and outbreaks被引用数 7

ひとこと要約

本研究では、公開データセットを用いたトランスファーラーニングにより微調整された13個の事前学習済みディープラーニングモデルのアンサンブルを、ポックスウイルスの検出に提案している。確率的出力をメジャー投票によって統合することで、87.13%の正確性、85.44%の正確性、85.47%の再現率、85.40%のF1スコアを達成し、最先端の手法を上回り、Grad-CAMおよびLIMEを用いた解釈可能性の観点から強力な一般化性能を示している。

ABSTRACT

Monkeypox virus is emerging slowly with the decline of COVID-19 virus infections around the world. People are afraid of it, thinking that it would appear as a pandemic like COVID-19. As such, it is crucial to detect them earlier before widespread community transmission. AI-based detection could help identify them at the early stage. In this paper, we aim to compare 13 different pre-trained deep learning (DL) models for the Monkeypox virus detection. For this, we initially fine-tune them with the addition of universal custom layers for all of them and analyse the results using four well-established measures: Precision, Recall, F1-score, and Accuracy. After the identification of the best-performing DL models, we ensemble them to improve the overall performance using a majority voting over the probabilistic outputs obtained from them. We perform our experiments on a publicly available dataset, which results in average Precision, Recall, F1-score, and Accuracy of 85.44\%, 85.47\%, 85.40\%, and 87.13\%, respectively with the help of our proposed ensemble approach. These encouraging results, which outperform the state-of-the-art methods, suggest that the proposed approach is applicable to health practitioners for mass screening.

研究の動機と目的

• トランスファーラーニングを用いて、皮膚病変画像におけるポックスウイルス検出のための13個の事前学習済みディープラーニングモデルの評価と比較を行う。
• 確率的出力のメジャー投票を用いたアンサンブル手法により、モデルの検出性能を向上させる。
• Grad-CAMおよびLIMEの解釈可能性技術を用いて、モデルの頑健性と解釈可能性を検証する。
• 限られたデータと、ポックスウイルスと麻疹の間で類似した視覚的特徴を持つ課題に対処するため、アンサンブル学習による識別性能の向上を図る。
• 臨床現場におけるポックスウイルスの早期大規模スクリーニングに向けた、実装可能で高精度なAIソリューションを提供する。

提案手法

• Xception、DenseNet、Inceptionなどの例を含む13個の事前学習済みディープラーニングモデルを、カスタム分類ヘッドを用いてトランスファーラーニングにより微調整した。
• モデルの一般化性能を向上させるために、データオーグメンテーションおよびクラスのバランス調整技術を適用した。
• 最も性能の優れたモデルの確率的出力に基づき、メジャー投票を用いてアンサンブル分類器を構築した。
• モデルの解釈可能性を高めるために、Grad-CAMおよびLIMEを用い、ウイルス感染皮膚病変の特徴的な領域を強調表示した。
• 5分割交差検証を用いて、標準指標（正確性、再現率、F1スコア、正確性）を用いて性能を評価した。
• Xceptionモデルを最高性能を示した個別モデルとし、解釈可能性分析の基準として用いた。

実験結果

リサーチクエスチョン

• RQ1 皮膚病変画像におけるポックスウイルス検出において、どの事前学習済みディープラーニングモデルが最も優れた性能を示すか？
• RQ2 限られたかつ不均衡な医療画像データの文脈において、アンサンブル学習は個別モデルの性能を上回る検出性能を実現できるか？
• RQ3 Grad-CAMやLIMEのような解釈可能性技術は、検出システムの解釈可能性と信頼性にどのように寄与するか？
• RQ4 モデルは、視覚的に類似した疾患（例：麻疹、水ぼうそう）とポックスウイルスをどの程度明確に区別できるか？
• RQ5 本研究で提案するアンサンブル手法は、正確性および頑健性の観点から、既存の最先端手法を上回っているか？

主な発見

• 提案されたアンサンブルモデルは、5分割交差検証の平均で87.13%の正確性、85.44%の正確性、85.47%の再現率、85.40%のF1スコアを達成した。
• Xceptionモデルは、個別モデルの中で最高の性能を示し、86.51%の正確性、85.14%の再現率、85.01%の正確性、85.02%のF1スコアを記録した。
• アンサンブル手法は、個別モデルおよび最先端手法を顕著に上回り、特に水ぼうそうおよび正常例の識別において100%の認識率を達成した。
• Grad-CAMの可視化では、黄色でウイルス感染領域が明確に強調表示され、モデルが生物学的に関連する特徴に注目していることが示された。
• LIMEはスーパーセルを用いて、潜在的に感染している領域を正しく局所化し、モデルの一貫性と解釈可能性を確認した。
• Grad-CAMおよび混同行列分析により、麻疹とポックスウイルスの間で類似した皮膚病変のパターンがあるため、モデルが両者を区別する能力に限界があることが確認された。