Robust and Efficient Medical Imaging with Self-Supervision 논문정리

현재의 의료연구는 전문가적으로 도달했습니다. 그러나 이러한 연구는 차선이거나 정규분포에서 벗어난 부분을 억지로 가져왔다고 합니다. 그래서 데이터의 효율적인 일반화의 문제가 생긴다고합니다. 이것은  의료AI 개발에서 항상 어려움으로 대두되고있는 문제라고합니다. 

 

대부분의 연구는 항상 데이터셋에 치중된 지표만 보여주는데 사실 현실에서는 그러기가 쉽지않습니다.

현실데이터셋을 test해보면 성능이 좋지않게 나오는데 이논문은 이 방법으로 11.5%까지 성능을 증가시켰다고합니다.

 

이논문 제목인 REMEDIS라는 방법을 새로 제안을한다고합니다.

논문은 ID(in-distribution)와 OOD(out-of-distribution)을 제안합니다.

ID환경에서 AI모델의 평가 데이터는 훈련데이터와 비슷하다고 합니다. 반면에 OOD는 평가데이터와 훈련데이터가 다른 모델이라고 합니다.

 

우리의 모델은 medical image에서 보지않은 환경에서는 성능이 좋지않음을 볼 수 있습니다.

그리고 엄격한 medical AI 모델에서 OOD환경에서의 성능향상을 요구합니다.

 

대규모의 자연상태의 이미지를 가져와서 BIT(big transfer)방법을 이용해 전이학습을 시켰다고합니다.

의료이미지를 모델을 적용시킬때  라벨이 없는 medical data를 가져와서 self-supervised learning을 적용시킨다고 합니다.

마지막으로  medical 이미지를 fine-tuning 시킵니다.

그리고 ai모델을 ID방식으로 평가하고 OOD방식으로 평가합니다.

모델에 효율적인 일반화 성능을 낼 수 있다고 합니다.

 

self-supervised를 이용해 REMEDIS방식으로 학습을 시키고 ID방식 뿐만아니라 OOD방식으로도 학습함을 보여줍니다.

다양한 분야에도 사용할 수 가 있다고합니다.

 

 

예민한 의료AI에서는 현실적인 데이터에서 잘 작동해야하는데 OOD환경에서 모델이 성능이 baseline보다 REMEDIS방식을 사용하면 성능이 좋음을 볼 수 가있습니다.

 

결론

예민한 의료분야에서는 unseen task를 잘 수행하는게 중요한데 여기서 ID(in-distribution)와 OOD(out-of-distribution)방식 + self-supervise를 이용해서 효과적으로 모델에 성능을 높이는것을 증명한 논문인거같습니다.