[論文レビュー] A Cascaded Learning Strategy for Robust COVID-19 Pneumonia Chest X-Ray Screening

Chun‐Fu Yeh, Hsien-Tzu Cheng+21 more|arXiv (Cornell University)|Apr 24, 2020

COVID-19 diagnosis using AI参考文献 8被引用数 36

ひとこと要約

本論文は、胸部X線画像からCOVID-19肺炎を堅牢にスクリーニングするための3段階のカスケード学習フレームワーク（肺のセグメンテーション、COVID-19対非COVID-19の pneumonia 判定、COVID-19対非-COVID-19 の判定）を提案し、累積学習と説明可能なヒートマップを用いて性能を向上させる。

ABSTRACT

We introduce a comprehensive screening platform for the COVID-19 (a.k.a., SARS-CoV-2) pneumonia. The proposed AI-based system works on chest x-ray (CXR) images to predict whether a patient is infected with the COVID-19 disease. Although the recent international joint effort on making the availability of all sorts of open data, the public collection of CXR images is still relatively small for reliably training a deep neural network (DNN) to carry out COVID-19 prediction. To better address such inefficiency, we design a cascaded learning strategy to improve both the sensitivity and the specificity of the resulting DNN classification model. Our approach leverages a large CXR image dataset of non-COVID-19 pneumonia to generalize the original well-trained classification model via a cascaded learning scheme. The resulting screening system is shown to achieve good classification performance on the expanded dataset, including those newly added COVID-19 CXR images.

研究の動機と目的

• 胸部X線画像からのCOVID-19スクリーニングを、限られたCOVID-19データにもかかわらず堅牢に動機づける。
• 大規模なオープン肺炎データセットを活用して base classifier を一般化させる。
• 通常像/肺炎からCOVID-19対非COVID-19へ進む3段階のカスケード学習フレームワークを開発する。
• モデルの意思決定を説明するヒートマップを提供し、臨床適用を促進する。

提案手法

• ステージ1: U-Net を用いて肺マスクを予測し、CXR画像の情報量が少ない領域をフィルタリングする。
• ステージ2: mask済み画像上で DenseNet-121 の肺炎分類器を学習し、Normal vs Pneumonia（COVID-19 と非COVID-19 を合わせて陽性とする）を区別する。
• ステージ3: ステージ2 の出力を用いて入力をマスクし、COVID-19 vs 非COVID-19 肺炎分類器を高精度に行い、Grad-CAM/Guided-Grad-CAM の解説を付与する。
• ステージ2 におけるインクリメンタル学習: 新しい COVID-19 データを取り込む一方で、元データ上の性能を知識蒸溜項を用いて保持する（L_D = (1/|D|) sum CE losses + λ sum KL losses over D_o）。
• ステージごとのヒートマップ（H_i^2 および H_i^3）は、肺領域を強調することで説明可能な手掛かりを提供し、 respectively COVID-19 特有のパターンを明示する。

実験結果

リサーチクエスチョン

• RQ1 限られた COVID-19 データに基づく胸部X線画像で、カスケード学習戦略は COVID-19 検出の感度と特異度を改善できるか。
• RQ2 肺分割とインクリメンタル学習を組み込むことで、オープンデータと臨床データの堅牢性が向上するか。
• RQ3 ステージごとのヒートマップは、COVID-19 の予測を臨床的に解釈可能な説明に寄与するか。
• RQ4 提案手法は、オープンベンチマークと臨床データ上で既存の COVID-19 X 線スクリーニング手法と比較してどうか。

主な発見

• ステージ2 の肺マスク付き肺炎分類器は、オープンデータ上で Normal と Pneumonia の区別が高く、AUC は約97、感度と特異度とも高い。
• ステージ3 の COVID-19 分類器は、オープンデータで訓練し臨床データで微調整した場合に強い性能を達成（オープン検証で COVID-19 の AUC が約 99.7 に近づく; 複数の設定で高い感度と特異度）。
• 臨床データ（NTUH、TMUH、NHIA）を取り込むことで性能が向上し、臨床的に関連する結果を生み出す（例: ステージ3 のオープン+臨床検証で AUC が約 99.7 に近づく）。
• RT-PCR と比較してケーススタディにおいて早期の COVID-19 検出能力を示し、確認日より数日早い検出を一部で実現。
• オープンデータ分割における COVID-Net と比較して、重要な評価で Normal および COVID-19 の予測に対する感度が高いことを示す。
• 統合スクリーニングプラットフォームは台湾の NHIA および CDC システムで展開され、NHIA データで臨床的に関連する性能を示している。