Serum electrophoresis test detects the abnormality of protein patterns. Electrophoresis (EP) test separates protein components based on their density. Patterns exhibited by this test mostly show very close approximation, making it difficult to examine test results within a short amount of time as it has many variations of patterns and requires a significant amount of knowledge to discern them properly. Therefore, to help clinical examiners save time and produce consistent results, our study seeks to automate the process by utilizing the deep learning technique. Computer vision along deep learning has shown promising results in various medical fields. Consequently, this study was carried out to produce a newly developed Capsule Network embedded with inception module to classify abnormal and normal electrophoresis patterns by making use of deep learning to improve both accuracy and sensitivity. Instead of extracting features from the image, we used the whole image as an input to the classifier. This study used 39,484 electrophoresis graph images and utilized capsule network as the foundation of the deep learning architecture to learn the images without data augmentation. The results show that our proposed architecture achieved 96% as its accuracy, 94.5% Balanced Classification Rate, and 0.88 Matthew's Correlation Coefficient, and 97% sensitivity rate, showing that the proposed deep learning model outperform the baseline models.
혈청 전기 충격 검사는 단백질 패턴의 이상을 검출한다. EP(전기 영동)테스트는 단백질 구성 요소를 밀도에 따라 분리합니다. 이 시험에 의해 제시된 패턴은 대부분 매우 근접한 근사치를 보이므로 패턴의 다양성이 많기 때문에 짧은 시간 안에 시험 결과를 검토하기가 어렵다. 따라서 우리 연구는 임상 검사자가 시간을 절약하고 일관된 결과를 도출할 수 있도록 심층 학습 기법을 활용하여 과정을 자동화하고자 한다. 깊은 학습에 따른 컴퓨터 비전은 다양한 의학 분야에서 유망한 결과를 보여 주었다. 결과적으로, 본 연구는 정확성과 민감성을 개선하기 위해 심층 학습을 이용하여 비정상적이고 정상적인 전기 충격 패턴을 분류하기 위해 도입 모듈과 함께 새롭게 개발된 캡슐 네트워크를 생산하기 위해 수행되었다. 이미지에서 피쳐를 추출하는 대신 전체 이미지를 분류기에 대한 입력으로 사용했습니다. 본 연구에서는 39,484개의 전기 생리학 그래프 이미지를 사용하여 데이터를 확대하지 않고도 이미지를 학습할 수 있는 깊은 학습 아키텍처의 기반으로 캡슐 네트워크를 활용하였습니다. 그 결과, 제안된 아키텍처의 정확도는 96%, 94.5%균형 분류율 및 0.88 매튜의 상관 관계 계수와 97%민감도 비율로 달성되어 제안된 심층 학습 모델이 기준 모델을 능가합니다.