Core Concepts
새로운 딥 부스팅 및 앙상블 학습 프레임워크를 이용하여 말라리아 기생충 감염 적혈구 이미지를 정확하고 효율적으로 탐지할 수 있다.
Abstract
이 연구는 새로운 딥 부스팅 및 앙상블 학습 (DBEL) 프레임워크를 제안한다. 이 프레임워크는 새로운 부스팅-BR-STM 합성곱 신경망 (CNN)과 앙상블 기계학습 분류기의 스택킹으로 구성된다.
제안된 부스팅-BR-STM은 새로운 팽창 합성곱 블록 기반 분할 변환 병합 (STM) 및 특징 맵 압축-부스팅 (SB) 아이디어를 기반으로 한다. STM 블록은 말라리아 기생충의 균질성, 이질성 및 경계 패턴을 학습하기 위해 지역 및 경계 연산을 사용한다. 또한 전이 학습 기반 새로운 특징 맵 SB를 사용하여 추상, 중간 및 결론 수준에서 다양한 부스팅 채널을 얻는다.
부스팅-BR-STM의 학습 능력을 높이고 더 다양한 특징 표현을 육성하기 위해 최종 단계에서 전이 학습 기반 다중 경로 잔차 학습을 통해 부스팅이 달성된다. 제안된 DBEL 프레임워크는 개발된 부스팅-BR-STM의 다양한 부스팅 채널과 생성된 판별 특징을 앙상블 ML 분류기에 제공한다. 이를 통해 앙상블 학습의 판별 능력과 일반화를 향상시킨다.
제안된 DBEL 프레임워크는 NIH 말라리아 데이터셋에서 기존 기술보다 우수한 성능을 보였다. 정확도 98.50%, 민감도 0.992, F-점수 0.985, AUC 0.996을 달성하여 말라리아 기생충 스크리닝에 활용될 수 있음을 시사한다.
Stats
말라리아 환자는 연간 약 241백만 명으로 추정되며, 627,000명이 사망했다.
아프리카 대륙이 가장 큰 영향을 받고 있으며, 전체 말라리아 사망자의 95%와 어린이 장애의 80%를 차지한다.
전문 병리학자의 수동 혈액 도말 분석은 시간 소모적이고 신뢰할 수 없다.
Quotes
"말라리아는 치명적일 수 있는 플라스모듐 기생충으로, 암컷 anopheles 모기에 의해 주입되어 적혈구를 감염시키고 매년 수백만 명의 영구 장애를 유발한다."
"전문가의 수동 스크리닝은 시간이 많이 소요되고 오류가 발생하기 쉽다. 따라서 컴퓨터 기반 스크리닝 도구가 신속하고 신뢰할 수 있는 말라리아 분석을 위해 필수적이다."