[論文レビュー] CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

Pranav Rajpurkar, Jeremy Irvin+10 more|arXiv (Cornell University)|Nov 14, 2017

COVID-19 diagnosis using AI被引用数 1,447

ひとこと要約

CheXNet、ChestX-ray14で訓練された121層DenseNetは、胸部X線検査における肺炎を放射線科医と競合する、あるいはそれを上回る性能で検出し、14疾病すべてに拡張して最先端の結果を達成します。また病変を局在化するヒートマップ（CAMs）も提供します。

ABSTRACT

We develop an algorithm that can detect pneumonia from chest X-rays at a level exceeding practicing radiologists. Our algorithm, CheXNet, is a 121-layer convolutional neural network trained on ChestX-ray14, currently the largest publicly available chest X-ray dataset, containing over 100,000 frontal-view X-ray images with 14 diseases. Four practicing academic radiologists annotate a test set, on which we compare the performance of CheXNet to that of radiologists. We find that CheXNet exceeds average radiologist performance on the F1 metric. We extend CheXNet to detect all 14 diseases in ChestX-ray14 and achieve state of the art results on all 14 diseases.

研究の動機と目的

• 実務に携わる放射線科医を上回る胸部X線検査の自動肺炎検出モデルを開発する。
• ChestX-ray14データセットを活用して、複数の胸部病変を対象とした深層ネットワークを訓練する。
• 予測に寄与する領域を示す局所化ヒートマップを提供する。

提案手法

• ImageNetで事前学習された121層DenseNetを使用し、肺炎の有無を示す単一のシグモイド出力を持つ。
• クラス不均衡に対処するため、重み付き二値交差エントロピーで最適化する（重み w+ および w−）。
• 検証損失に基づく学習率スケジューリングを用いてAdamでエンドツーエンド訓練する。
• すべての病変に対して独立した二値交差エントロピー損失を用いた14クラスベクトルを出力するようモデルを拡張する。
• ブートストラップ信頼区間を用いたテストセット420画像で放射線科医と比較してF1スコアで評価する。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは胸部X線検査で肺炎検出において放射線科医レベルの性能を達成できるか？
• RQ2 モデルを14病変に拡張することで、すべてのクラスでAUROCの最先端を達成できるか？
• RQ3 クラスアクティベーションマップはX線画像で肺炎関連領域を意味のある形で局在化できるか？

主な発見

• CheXNetはF1スコア0.435（95%信頼区間0.387, 0.481）を達成し、放射線科医の平均0.387（95%CI 0.330, 0.442）を上回る。
• CheXNetの肺炎検出性能は放射線科医より統計的に有意に高い（差0.051、95%CI 0.005, 0.084）。
• ChestX-ray14でCheXNetは14病変クラスすべてで従来の最先端を上回る（クラス別AUROC）。
• Mass、Nodule、Pneumonia、Emphysemaで特に大きな改善を示す（AUROCの増分>0.05）。
• このモデルは予測に寄与する領域を局在化するクラス活性化マップを提供する。
• CheXNetは112,120枚の画像で訓練され、肺炎の評価に用いる放射線科医評価済みの420画像のテストセットを持つ。