[論文レビュー] COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest-Ray Images

Sheetal Rajpal, Naveen Kumar+1 more|arXiv (Cornell University)|Jul 16, 2020

COVID-19 diagnosis using AI参考文献 51被引用数 8

ひとこと要約

本稿では、コロナウイルス病19（COVID-19）、ノーマル、および肺炎の3クラスに分類するための、3段階のエクストリーム・ラーニング・マシン（ELM）ベースのフレームワーク、COV-ELMを提案する。ELMの高速な学習と優れた一般化性能を活用することで、モデルはマクロF1スコア0.95および感度0.94 ± 0.02を達成し、最先端の手法を上回り、LIMEを用いることでスーパーセルの寄与度に基づく臨床的に関連性のある解釈可能性を提供する。

ABSTRACT

Coronaviruses constitute a family of viruses that gives rise to respiratory diseases. As COVID-19 is highly contagious, early diagnosis of COVID-19 is crucial for an effective treatment strategy. However, the RT-PCR test which is considered to be a gold standard in the diagnosis of COVID-19 suffers from a high false-negative rate. Chest X-ray (CXR) image analysis has emerged as a feasible and effective diagnostic technique towards this objective. In this work, we propose the COVID-19 classification problem as a three-class classification problem to distinguish between COVID-19, normal, and pneumonia classes. We propose a three-stage framework, named COV-ELM. Stage one deals with preprocessing and transformation while stage two deals with feature extraction. These extracted features are passed as an input to the ELM at the third stage, resulting in the identification of COVID-19. The choice of ELM in this work has been motivated by its faster convergence, better generalization capability, and shorter training time in comparison to the conventional gradient-based learning algorithms. As bigger and diverse datasets become available, ELM can be quickly retrained as compared to its gradient-based competitor models. The proposed model achieved a macro average F1-score of 0.95 and the overall sensitivity of ${0.94 \pm 0.02} at a 95% confidence interval. When compared to state-of-the-art machine learning algorithms, the COV-ELM is found to outperform its competitors in this three-class classification scenario. Further, LIME has been integrated with the proposed COV-ELM model to generate annotated CXR images. The annotations are based on the superpixels that have contributed to distinguish between the different classes. It was observed that the superpixels correspond to the regions of the human lungs that are clinically observed in COVID-19 and Pneumonia cases.

研究の動機と目的

• RT-PCR検査の高い偽陰性率を是正するため、医学的画像を用いた代替診断法の開発。
• COVID-19分類を3クラス問題（COVID-19、ノーマル、肺炎）として扱うことで、診断の正確性を向上。
• 勾配ベースの深層学習モデルと比較して、高速な学習とより優れた一般化性能を実現するため、エクストリーム・ラーニング・マシン（ELM）を活用。
• LIMEを統合し、分類意思決定に寄与する肺領域を特定することで、臨床的に関連性のある解釈可能な説明を生成。

提案手法

• 3段階のフレームワークを適用：第1段階で前処理および画像変換、第2段階で事前学習済みの畳み込みニューラルネットワーク（CNN）を用いた深層特徴抽出、第3段階でELMベースの分類。
• エクストリーム・ラーニング・マシン（ELM）を用い、隠れ層の重みをランダムに初期化し、出力重みに対して解析的解を求める非反復的学習を実現。
• LIMEを用いて、分類に影響を与える顕著なスーパーセルを特定することで、局所的に解釈可能でモデルに依存しない説明を生成。
• 多様で公開可能な胸部X線画像データセットを活用し、3つの明確なクラスでモデルの学習と検証を実施。
• 単層フィードフォワードネットワークを用い、シグモイド活性化関数と出力重みの解析的最小二乗解を最適化することでELMモデルを最適化。
• マクロF1スコアと95%信頼区間における感度を用いてモデルの性能を検証し、妥当性と信頼性を確保。

実験結果

リサーチクエスチョン

• RQ1 2クラス分類または多疾患アプローチと比較して、3クラス分類フレームワークが、胸部X線画像におけるCOVID-19検出の正確性を向上させられるか？
• RQ2 ELMが、胸部X線画像に基づくCOVID-19分類において、従来の勾配ベースの学習アルゴリズムと比較して、学習速度と一般化性能の面で優れているか？
• RQ3 その高速な再学習能力を考慮すると、限定的または再学習されたデータでも、ELMモデルが高い性能を維持できるか？
• RQ4 LIMEが生成する説明は、COVID-19および肺炎症例における臨床的観察と整合する解剖学的に関連性のある肺領域を特定できるか？

主な発見

• COV-ELMモデルは、マクロ平均F1スコア0.95を達成し、3クラスすべてにおいて優れた性能を示した。
• 95%信頼区間における感度は0.94 ± 0.02を示し、COVID-19症例の高い検出能力を裏付けた。
• COV-ELMは、胸部X線画像における3クラス分類シナリオにおいて、最先端の機械学習モデルを上回った。
• LIMEによるアトリビューションは、COVID-19および肺炎と臨床的に関連する肺領域に対応するスーパーセルを特定し、モデルの解釈可能性を向上させた。
• ELMベースのアプローチにより、従来の勾配ベースのモデルと比較して、より高速な学習と優れた一般化性能が実現された。
• LIME統合により、放射線学的所見と一致する視覚的説明が得られ、臨床現場におけるモデル予測への信頼性が向上した。