[논문 리뷰] Unsupervised deep learning for grading of age-related macular degeneration using retinal fundus images

Baladitya Yellapragada, Sascha Hornhauer외 3명|arXiv (Cornell University)|2020. 10. 22.

Retinal Imaging and Analysis참고 문헌 39인용 수 5

한 줄 요약

이 논문은 레티나 기저귀 영상에서 연령 관련 황반변성(AMD)의 중증도를 레이블이 없는 데이터를 사용하여 비모수적 인스턴스 구분(NPID)을 활용한 비지도 딥러닝 접근법을 제안한다. 이 방법은 고도로 발달한 또는 전문의 진료가 필요한 AMD의 경우, 지도 학습 네트워크와 인간 안과 전문의의 정확도에 비견되는 성능을 달성하며, 인간이 정의한 레이블 없이도 질병 관련 특징인 지도성 위축 및 백내장과 같은 특징을 발견한다.

ABSTRACT

Many diseases are classified based on human-defined rubrics that are prone to bias. Supervised neural networks can automate the grading of retinal fundus images, but require labor-intensive annotations and are restricted to the specific trained task. Here, we employed an unsupervised network with Non-Parametric Instance Discrimination (NPID) to grade age-related macular degeneration (AMD) severity using fundus photographs from the Age-Related Eye Disease Study (AREDS). Our unsupervised algorithm demonstrated versatility across different AMD classification schemes without retraining, and achieved unbalanced accuracies comparable to supervised networks and human ophthalmologists in classifying advanced or referable AMD, or on the 4-step AMD severity scale. Exploring the networks behavior revealed disease-related fundus features that drove predictions and unveiled the susceptibility of more granular human-defined AMD severity schemes to misclassification by both ophthalmologists and neural networks. Importantly, unsupervised learning enabled unbiased, data-driven discovery of AMD features such as geographic atrophy, as well as other ocular phenotypes of the choroid, vitreous, and lens, such as visually-impairing cataracts, that were not pre-defined by human labels.

연구 동기 및 목표

• 비용이 많이 들고 노동력이 많이 필요한 인간의 레이블링에 의존하지 않고도, 망막 기저귀 영상에서 AMD 중증도를 평가하는 방법을 개발하는 것.
• 사전에 정의된 분류 체계에 제한되고 편향에 취약한 지도 학습 모델의 한계를 해결하는 것.
• 의료 기준에 사전 정의되지 않은 특징까지 포함하여 AMD 관련 특징을 데이터 기반으로 발견할 수 있도록 하는 것.
• 비지도 표현 학습이 지도 학습 모델과 인간 전문가의 성능을 따라하거나 뛰어넘을 수 있는지 평가하는 것.

제안 방법

• 저자는 레이블 없이도 의미 있는 표현을 학습할 수 있도록 비지도 딥 네트워크와 비모수적 인스턴스 구분(NPID)을 사용하여 망막 기저귀 영상에서 표현을 학습한다.
• NPID는 동일한 이미지의 다양한 증강된 버전 간의 특징을 대조하고, 서로 다른 이미지의 특징는 서로 멀어지게 하여 구분 가능한 특징을 학습하도록 유도한다.
• 학습된 특징는 4단계 AMD 척도 및 전문의 진료가 필요한/고도로 발달한 AMD 카테고리 포함 다양한 분류 체계에서 AMD 중증도를 분류하는 데 사용된다.
• 모델은 연령 관련 눈병 연구(AGE-RELATED EYE DISEASE STUDY, AREDS) 데이터셋에서 평가되었으며, 재학습 없이도 다양한 분류 체계로의 제로샷 전이가 가능했다.
• 특징 시각화 및 민감도 분석을 통해 모델의 예측을 해석하고 망막 내 질병 관련 패atters를 식별한다.
• 잠재 표현 분석을 통해 인간이 레이블링하지 않은 이전의 미기록된 눈부분 표현, 예를 들어 지도성 위축, 백내장, 유리체 변화 등을 발견하였다.

실험 결과

연구 질문

• RQ1 비지도 딥러닝 모델이 AMD 중증도 평가에서 지도 학습 모델과 인간 안과 전문가의 성능을 비슷하게 달성할 수 있는가?
• RQ2 비지도 표현 학습이 인간의 분류 체계에 사전 정의되지 않은 임상적으로 유의미한 눈부분 특징을 발견할 수 있는가?
• RQ3 재학습이나 튜닝 없이도 다양한 AMD 분류 체계로 일반화되는가?
• RQ4 인간 안과 전문가와 신경망이 미세하거나 세분화된 AMD 중증도 단계를 잘못 분류하는 정도는 어느 정도인가?
• RQ5 모델의 예측을 이끄는 특정 망막 특징는 무엇이며, 이는 알려진 병리학과 얼마나 일치하는가?

주요 결과

• 비지도 NPID 모델은 전문의 진료가 필요한 또는 고도로 발달한 AMD를 분류할 때, 지도 학습 딥러닝 모델과 인간 안과 전문가의 성능과 유사한 비균형 정확도를 달성하였다.
• 모델는 재학습 없이도 다양한 AMD 분류 체계, 특히 4단계 AMD 중증도 척도에 대해 제로샷 일반화 성능을 보였다.
• 학습 데이터에서 명시적으로 레이블이 지정되지 않은 특징인 지도성 위축 및 백내장과 같은 질병 관련 특징을 표현 학습을 통해 발견하였다.
• 민감도 분석 결과, 모델은 드루센과 색소 변화와 같은 임상적으로 관련 있는 영역에 집중함을 확인하였으며, 이는 전문가 진단 마커와 일치하였다.
• 모델과 인간 전문가 모두 미세한 AMD 중증도 단계에서 오분류율이 증가하여 이러한 분류의 본질적인 모호성이 드러났다.
• 잠재 특징 분석을 통해 렌즈 혼탁도와 유리체 변화와 같은 추가적인 눈부분 표현을 발견하였으며, 이는 AMD를 넘어서 보다 광범위한 진단 활용 가능성을 시사한다.