[论文解读] Deep learning and machine learning for Malaria detection: overview, challenges and future directions

Imen Jdey, Ghazala Hcini+1 more|arXiv (Cornell University)|Sep 27, 2022

Digital Imaging for Blood Diseases被引用 4

一句话总结

本文综述了用于从血涂片图像中自动检测疟疾的机器学习与深度学习技术，特别是卷积神经网络（CNNs）。文章评估了性能、数据稀缺性与模型可解释性等挑战，并主张采用预训练模型和混合方法以提高准确性和临床应用。

ABSTRACT

To have the greatest impact, public health initiatives must be made using evidence-based decision-making. Machine learning Algorithms are created to gather, store, process, and analyse data to provide knowledge and guide decisions. A crucial part of any surveillance system is image analysis. The communities of computer vision and machine learning has ended up curious about it as of late. This study uses a variety of machine learning and image processing approaches to detect and forecast the malarial illness. In our research, we discovered the potential of deep learning techniques as smart tools with broader applicability for malaria detection, which benefits physicians by assisting in the diagnosis of the condition. We examine the common confinements of deep learning for computer frameworks and organising, counting need of preparing data, preparing overhead, realtime execution, and explain ability, and uncover future inquire about bearings focusing on these restrictions.

研究动机与目标

• 评估机器学习与深度学习模型在血涂片图像中检测疟疾的有效性。
• 识别在临床环境中部署深度学习模型的主要挑战，包括数据稀缺性、模型可解释性以及实时性能。
• 从特征提取、准确率和泛化能力方面，比较传统机器学习与深度学习方法。
• 考察公共基准数据集在实现疟疾检测研究可重复性和可比性方面的作用。
• 探索未来研究方向，以增强模型可解释性、鲁棒性，并将其整合到放射科工作流程中。

提出的方法

• 系统性综述了应用于疟疾检测的机器学习与深度学习方法，使用血涂片图像作为数据来源。
• 采用卷积神经网络（CNNs）作为主要的深度学习架构，用于特征提取与分类。
• 评估结合传统图像处理技术（如均值滤波和高斯滤波）与机器学习模型的混合算法，以减少噪声并提升输入质量。
• 分析公共数据集作为模型训练与比较的基准，强调数据标准化与归一化的重要性。
• 评估模型可解释性技术，以应对临床决策中“黑箱”问题。
• 探索迁移学习与预训练模型的微调，以减少训练时间并在小样本数据集上提升性能。

实验结果

研究问题

• RQ1 深度学习模型，特别是卷积神经网络（CNNs），在分类血涂片图像中的疟疾方面，与传统机器学习方法相比如何？
• RQ2 哪些主要挑战阻碍了深度学习模型在现实疟疾诊断中的部署，包括数据稀缺性与模型可解释性？
• RQ3 数据增强在多大程度上可以缓解疟疾检测中训练数据有限的问题？
• RQ4 公共基准数据集在多大程度上影响了疟疾检测模型的可重复性与可比性？
• RQ5 需要哪些改进才能使放射科医生信任并将其整合到常规临床实践中？

主要发现

• 深度学习模型，尤其是卷积神经网络（CNNs），在从血涂片图像中实现准确且自动化的疟疾检测方面展现出巨大潜力，其特征表示能力优于传统机器学习方法。
• 有限的训练数据仍是主要限制因素，常导致过拟合，尤其是在使用缺乏全局上下文的局部图像块时。
• 数据增强技术有助于扩大数据集规模，但可能引入噪声或重叠的图像块，从而增加过拟合风险。
• 模型可解释性是关键障碍——深度学习模型常被视为“黑箱”，限制了临床医生的信任与临床采纳。
• 公共基准数据集对于实现公平比较与可重复研究至关重要，但不同机构在数据采集与编码上的一致性不足，阻碍了模型的泛化能力。
• 未来改进应聚焦于在疟疾特异性数据集上微调的预训练模型、增强可解释性，以及基于云的部署以实现实时临床应用。