[論文レビュー] A Review on Deep Learning Techniques for the Diagnosis of Novel Coronavirus (COVID-19)

Md. Milon Islam, Fakhri Karray+2 more|arXiv (Cornell University)|Aug 9, 2020

COVID-19 diagnosis using AI参考文献 127被引用数 27

ひとこと要約

本論文は、主にレントゲン画像とCTスキャンを用いたCOVID-19の診断に向けたディープラーニング技術をレビューする。モデル、データセット、データ分割戦略、パフォーマンス指標を評価し、最近のアプローチの分類法を提示するとともに、自動COVID-19検出における課題と今後の研究方向性を特定する。

ABSTRACT

Novel coronavirus (COVID-19) outbreak, has raised a calamitous situation all over the world and has become one of the most acute and severe ailments in the past hundred years. The prevalence rate of COVID-19 is rapidly rising every day throughout the globe. Although no vaccines for this pandemic have been discovered yet, deep learning techniques proved themselves to be a powerful tool in the arsenal used by clinicians for the automatic diagnosis of COVID-19. This paper aims to overview the recently developed systems based on deep learning techniques using different medical imaging modalities like Computer Tomography (CT) and X-ray. This review specifically discusses the systems developed for COVID-19 diagnosis using deep learning techniques and provides insights on well-known data sets used to train these networks. It also highlights the data partitioning techniques and various performance measures developed by researchers in this field. A taxonomy is drawn to categorize the recent works for proper insight. Finally, we conclude by addressing the challenges associated with the use of deep learning methods for COVID-19 detection and probable future trends in this research area. This paper is intended to provide experts (medical or otherwise) and technicians with new insights into the ways deep learning techniques are used in this regard and how they potentially further works in combatting the outbreak of COVID-19.

研究の動機と目的

• 医用画像を用いた自動COVID-19診断を目的としたディープラーニングベースのシステムについて包括的な概要を提供すること。
• CTおよびX線画像からCOVID-19を同定するために開発された最近のディープラーニングモデルを分析・分類すること。
• これらのモデルの学習および検証に使用された公に利用可能なデータセットを検討すること。
• 文献で採用されているデータ分割手法およびパフォーマンス指標を評価すること。
• ディープラーニングを用いたCOVID-19診断における主な課題を特定し、今後の研究方向性を提案すること。

提案手法

• 医用画像を用いたCOVID-19診断におけるディープラーニング応用に関する査読済み論文およびプレプリントの体系的レビュー。
• アーキテクチャ、入力モodal（レントゲン、CT）、タスク（分類、セグメンテーション、検出）に基づいてモデルを分類すること。
• COVID-19-CT、RSNA肺炎検出チャレンジなど、広く使用されているデータセットの分析。
• モデル開発で用いられるデータ分割戦略（k分割交差検証、ランダム分割など）の評価。
• 研究間で比較されるパフォーマンス指標（正確性、AUC-ROC、感度、特異度）の比較。
• モデルタイプ、画像モダリティ、評価プロトコルに基づいて最近の研究を分類・整理する分類法の開発。

実験結果

リサーチクエスチョン

• RQ1 医用画像からCOVID-19を診断するために、どのディープラーニングアーキテクチャが最も効果的であったか？
• RQ2 COVID-19検出モデルの学習および検証に最も頻繁に使用されている公的データセットはどれか？
• RQ3 異なるデータ分割手法は、モデルの汎化性能およびパフォーマンスにどのように影響を与えるか？
• RQ4 分野で標準化されているパフォーマンス指標は何か？ また、研究間でどのように比較されるか？
• RQ5 臨床的COVID-19診断に向けたディープラーニングモデルの導入における主な課題と制限要因は何か？

主な発見

• 畳み込みニューラルネットワーク（CNNs）、特にVGG、ResNet、DenseNet、DenseNet-201のような転移学習ベースのモデルは、X線およびCTスキャンからのCOVID-19分類において高いパフォーマンスを示した。
• COVID-19-CTデータセットは、最も頻繁に使用されたベンチマークの一つであり、いくつかの研究でAUC値が0.95を超える結果が報告された。
• 転移学習は、特に学習データが限られている状況でモデルパフォーマンスを顕著に向上させた。
• 研究間でパフォーマンスに大きなばらつきが見られ、AUC値はモデルアーキテクチャーやデータ品質に応じて0.85から0.98以上に変動した。
• データの不均衡と標準化された評価プロトコルの欠如が、再現性に影響を与える主要な課題として特定された。
• 本レビューは、モデルの頑健性と臨床応用可能性を向上させるために、より大規模で多様性に富み、標準化されたデータセットの必要性を強調した。