[論文レビュー] Chester: A Web Delivered Locally Computed Chest X-Ray Disease Prediction System

Joseph Cohen, Paul A. Bertin+1 more|arXiv (Cornell University)|Jan 31, 2019

COVID-19 diagnosis using AI参考文献 22被引用数 35

ひとこと要約

ブラウザ内で局所的に胸部X線疾患予測を実行するウェブベースのプロトタイプで、分布外検出と予測の説明を備え、患者データのプライバシーを保護します。

ABSTRACT

In order to bridge the gap between Deep Learning researchers and medical professionals we develop a very accessible free prototype system which can be used by medical professionals to understand the reality of Deep Learning tools for chest X-ray diagnostics. The system is designed to be a second opinion where a user can process an image to confirm or aid in their diagnosis. Code and network weights are delivered via a URL to a web browser (including cell phones) but the patient data remains on the users machine and all processing occurs locally. This paper discusses the three main components in detail: out-of-distribution detection, disease prediction, and prediction explanation. The system open source and freely available here: https://mlmed.org/tools/xray

研究の動機と目的

• アクセス可能で局所実行される胸部X線ツールを提供することで、深層学習研究者と医療専門家のギャップを橋渡しする。
• データを完全にクライアント側で処理することにより患者のプライバシーを保護するセカンドオピニオン診断支援を実証する。
• 分布外検出、疾患予測、予測の説明 の3つの要素を探究する。
• 最小限のサーバーコストで医療AIソリューションをスケールさせるために再利用可能なオープンソースのモデルとデプロイ手法を提供する。

提案手法

• ChestX-ray14由来データに対する疾患予測にDenseNet-121を使用する。
• オートエンコーダベースの再構成（ALI）とSSIM/L1/L2指標を用いた分布外検出を実装する。
• ピースワイズ線形ポストプロセッシング変換を用いて予測確率をキャリブレーションする。
• 勾配ベースのサリエンシーマップとクラスアクティベーションマッピングを用いて予測を説明する。
• PyTorch→ONNX→TensorFlow→TensorFlow.jsのパイプラインを介してブラウザにモデルをデプロイする。
• 患者データをクライアント側に保持したまま、URL経由でコードと重みを転送するブラウザ内処理パイプラインを提供する。

実験結果

リサーチクエスチョン

• RQ1 ローカルで実行される深層学習モデルは、既存のベンチマークと比べて胸部X線疾患をどれだけ正確に予測できるか？
• RQ2 臨床現場で予測を行わない決定を分布外検出は効果的に判断できるか？
• RQ3 視覚的な説明（サリエンシーマップとCAM）は放射線科医の解釈に意味のある局在化を提供するか？
• RQ4 許容できる性能とプライバシー保証を伴って、ブラウザ内で完全に正確な胸部X線モデルをデプロイすることは可能か？

主な発見

• このシステムは、OoD検出と説明機能を備えた胸部X線診断の完全なブラウザベースツールを実演している。
• データ拡張と外部検証を検討し、PadChestのようなデータセット間の一般化を評価した。
• ALIベースの再構成とSSIMを用いた分布外検出法は、非胸部X線入力を識別しモデルの使用を導く有望性を示した。
• 勾配ベースのサリエンシーマップとクラスアクティベーションマップは、予測に寄与する領域をハイライトする局在情報を提供する。
• デプロイメント・パイプラインはPyTorchモデルをONNXに変換し、さらにTensorFlow.jsへと変換してブラウザ内で動作させる。検証では小さな許容差内でPyTorch予測と高い一致を示した。