[論文レビュー] Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT

Liang Sun, Zhanhao Mo+15 more|arXiv (Cornell University)|May 7, 2020

COVID-19 diagnosis using AI参考文献 27被引用数 18

ひとこと要約

本稿では、位置特徴に着目した特徴選択とディープフォレストアーキテクチャを統合した、COVID-19分類のための適応的特徴選択ガイドドディープフォレスト（AFS-DF）モデルを提案する。この手法は、高次表現を学習しつつ、特徴の冗長性を適応的に低減する。1,495例のCOVID-19および1,027例のCAP症例から成るデータセットにおいて、91.79%の正確性、93.05%の感度、89.95%の特異性、96.35%のAUCを達成し、Lasso、ElasticNet、標準的なディープフォレストを含むベースライン手法を上回った。

ABSTRACT

Chest computed tomography (CT) becomes an effective tool to assist the diagnosis of coronavirus disease-19 (COVID-19). Due to the outbreak of COVID-19 worldwide, using the computed-aided diagnosis technique for COVID-19 classification based on CT images could largely alleviate the burden of clinicians. In this paper, we propose an Adaptive Feature Selection guided Deep Forest (AFS-DF) for COVID-19 classification based on chest CT images. Specifically, we first extract location-specific features from CT images. Then, in order to capture the high-level representation of these features with the relatively small-scale data, we leverage a deep forest model to learn high-level representation of the features. Moreover, we propose a feature selection method based on the trained deep forest model to reduce the redundancy of features, where the feature selection could be adaptively incorporated with the COVID-19 classification model. We evaluated our proposed AFS-DF on COVID-19 dataset with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP). The accuracy (ACC), sensitivity (SEN), specificity (SPE) and AUC achieved by our method are 91.79%, 93.05%, 89.95% and 96.35%, respectively. Experimental results on the COVID-19 dataset suggest that the proposed AFS-DF achieves superior performance in COVID-19 vs. CAP classification, compared with 4 widely used machine learning methods.

研究の動機と目的

• ロバストなモデルを訓練するための医療画像データの限界を解決すること。
• 胸部CTスキャンにおける局所的特徴からの高次表現を活用して分類性能を向上させること。
• タスク指向の適応的特徴選択機構をディープフォレストフレームワークに統合し、特徴の冗長性を低減するとともに、モデルの解釈性を向上させること。
• 従来の手法（Lasso、ElasticNet、標準的ディープフォレスト）を上回る、小規模な医療画像データセットにおける機械学習モデルの開発

提案手法

• 解剖学的事前知識に基づいた手作業による特徴抽出法を用いて、胸部CT画像から局所的特徴を抽出する。
• 抽出された特徴から階層的で高次な表現を学習するため、ディープフォレストモデルを採用し、限られた訓練データでも効果的な表現学習を実現する。
• 各ディープフォレスト層の訓練済み決定木から特徴の重要度を計算し、反復的に関連性の低い特徴を削除する適応的特徴選択戦略を導入する。
• 特徴選択と分類を統合されたフレームワークに統合し、トレーニング中にモデルの内部パフォーマンスフィードバックに従って特徴の削減を誘導する。
• 1,495例のCOVID-19および1,027例のCAP症例から成るデータセット上で、分類性能最適化を目的にAFS-DFモデルをエンドツーエンドでトレーニングする。
• 10分割交差検証を用いて手法を検証し、標準指標を用いてLasso、ElasticNet、標準的ディープフォレストと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 適応的特徴選択機構は、胸部CTスキャンを用いたCOVID-19対コミュニティ獲得性肺炎（CAP）分類におけるディープフォレストモデルの性能を向上させることができるか？
• RQ2 ディープフォレストアーキテクチャによる高次表現学習の統合は、小規模な医療画像データセットにおける分類精度と頑健性を向上させるか？
• RQ3 提案されたAFS-DFモデルは、Lasso や ElasticNet といった従来の機械学習手法と比較して、COVID-19診断における感度、特異性、AUCの観点でどのように異なるか？
• RQ4 AFS-DFモデルが選択した深層特徴は、LR、SVM、RF といった従来の分類器の性能をどの程度向上させるか？

主な発見

• AFS-DFモデルは、テストセットで91.79%の正確性、93.05%の感度、89.95%の特異性、96.35%のAUCを達成し、Lasso、ElasticNet、標準的ディープフォレストを上回った。
• 同じく選択された深層特徴を用いた場合、AFS-DFはロジスティック回帰（LR）に対して1.38ポイント、SVMに対して1.15ポイント、ランダムフォレスト（RF）に対して1.11ポイントの正確性向上を達成した。
• t-SNE可視化による特徴表現の分析から、特徴選択機構が冗長性を効果的に低減したことが裏付けられた。
• AFS-DFが選択した深層特徴は、従来のモデルの性能を顕著に向上させたことから、高次で判別力のある情報を含んでいることが示された。
• 内部フォレストの重要度スコアに基づく適応的特徴選択プロセスが、小規模データセットにおけるモデルの汎化性能と頑健性の向上に寄与した。