[論文レビュー] Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks

Thosini Bamunu Mudiyanselage, Nipuna Senanayake+3 more|arXiv (Cornell University)|May 20, 2021

COVID-19 diagnosis using AI参考文献 16被引用数 4

ひとこと要約

本論文は、チストレントX線（CXR）画像と患者メタデータを統合するグラフ畳み込みニューラルネットワーク（GCN）を提案し、ResNet-50などの転移学習モデルを上回る性能を発揮する。類似度に基づくグラフを用いてデータインスタンス間の関係をモデル化し、CNNエンコーダーを特徴抽出に活用することで、2値分類で94％の正確性、3クラス分類で86％の正確性を達成し、一般化性能が優れており、誤検出が減少する。

ABSTRACT

The novel corona virus (Covid-19) has introduced significant challenges due to its rapid spreading nature through respiratory transmission. As a result, there is a huge demand for Artificial Intelligence (AI) based quick disease diagnosis methods as an alternative to high demand tests such as Polymerase Chain Reaction (PCR). Chest X-ray (CXR) Image analysis is such cost-effective radiography technique due to resource availability and quick screening. But, a sufficient and systematic data collection that is required by complex deep leaning (DL) models is more difficult and hence there are recent efforts that utilize transfer learning to address this issue. Still these transfer learnt models suffer from lack of generalization and increased bias to the training dataset resulting poor performance for unseen data. Limited correlation of the transferred features from the pre-trained model to a specific medical imaging domain like X-ray and overfitting on fewer data can be reasons for this circumstance. In this work, we propose a novel Graph Convolution Neural Network (GCN) that is capable of identifying bio-markers of Covid-19 pneumonia from CXR images and meta information about patients. The proposed method exploits important relational knowledge between data instances and their features using graph representation and applies convolution to learn the graph data which is not possible with conventional convolution on Euclidean domain. The results of extensive experiments of proposed model on binary (Covid vs normal) and three class (Covid, normal, other pneumonia) classification problems outperform different benchmark transfer learnt models, hence overcoming the aforementioned drawbacks.

研究の動機と目的

• 医療画像分野における転移学習モデルの限界、特に限定的かつドメイン特化されたデータによる一般化性能の低さや高いバイアスを是正すること。
• 関係性を有するグラフ構造を用いて、画像特徴と患者メタデータを統合することで、CXR画像におけるCOVID-19の検出性能を向上させること。
• 小規模で不均衡な医療データセットにおいて、既存の転移学習手法よりも優れた一般化性能を示すモデルの開発。
• 多クラス分類設定において、COVID-19、正常、および他の肺炎タイプ（細菌性、ウイルス性、真菌性）を正確に区別できること。
• グラフベースの関係学習とアテンションに配慮した特徴抽出を活用することで、診断における誤検出を低減すること。

提案手法

• CXR画像から深層特徴を抽出するために、VGG16に類似したアーキテクチャのCNNエンコーダーが使用され、特徴ベクトルはインスタンス類似度に基づいてグラフ構造に埋め込まれる。
• ノードはデータサンプル（メタデータ付CXR画像）を表し、エッジは特徴ベクトル間のコサイン類似度によって重み付けされるグラフが構築される。
• グラフ畳み込みニューラルネットワーク（GCN）は、ノード表現をグラフ全体にわたって伝搬・更新するためのメッセージパッシング操作を、平均集約法を用いて実行する。
• 最終的なグラフ埋め込み特徴に対してソフトマックス層を適用し、正常、COVID-19、細菌性、ウイルス性、真菌性肺炎の5クラスへの多クラス分類を実行する。
• モデルが臨床的に関連する透明度領域に注目しているかを検証するため、サリエンシーマップを生成する。
• 本モデルは、実世界のCXRデータセットを用いた5分割交差検証の下で、エンドツーエンドで訓練され、評価される。

実験結果

リサーチクエスチョン

• RQ1 GCNベースのモデルは、ResNet-50などの従来の転移学習モデルに比べ、CXR画像からのCOVID-19分類において優れた性能を示せるか？
• RQ2 サンプル間の関係知識と患者メタデータを統合することで、モデルの一般化性能が向上し、過学習が軽減されるか？
• RQ3 グラフ集約関数（平均、合計、最大）の選択が、医療分野のグラフデータにおける性能に与える影響は何か？
• RQ4 多クラス設定において、本モデルはCOVID-19と他の種類の肺炎を効果的に区別できるか？
• RQ5 CNNエンコーダーのアテンション分布は、CXR画像のレントゲン所見とどの程度相関しているか？

主な発見

• 提案されたGCNは、2値分類（COVID-19 対 正常）で94％の正確性を達成し、ResNet-50、InceptionV3、VGG16を上回った。
• 3クラス分類（COVID-19、正常、他の肺炎）においても、86％の正確性を達成し、複雑な診断タスクにおいて優れた性能を示した。
• GCNにおける平均集約関数は、特に密度の高いグラフにおいて、合計または最大プーリングよりも優れた一般化性能を示した。
• 混同行列の分析から、GCNはResNet-50と比較して、特にウイルス性、細菌性、真菌性肺炎がCOVID-19と誤分類される誤検出が著しく少なかった。
• サリエンシーマップにより、GCNのCNNエンコーダーが臨床的に関連する透明度領域に注目していることが確認されたのに対し、VGG16やInceptionV3は散在的または不適切な領域に注目していた。
• 本モデルは、全クラスにおいて真陽性ケースの同定性能が優れており、特にCOVID-19および細菌性肺炎の検出において顕著であった。これは、感染拡大の制御にとって極めて重要である。