[論文レビュー] COVID-MobileXpert: On-Device COVID-19 Screening using Snapshots of Chest X-Ray

Xin Li, Chengyin Li+1 more|arXiv (Cornell University)|Apr 13, 2020

COVID-19 diagnosis using AI参考文献 50被引用数 59

ひとこと要約

COVID-MobileXpert は、胸郭レントゲン（CXR）のノイズの多いスナップショットを用いて、デバイス内での迅速かつ正確なCOVID-19スクリーニングを可能にする軽量なディープニューラルネットワーク（DNN）ベースのモバイルアプリです。本研究では、事前に学習された指導医ネットワーク、微調整されたレジidencyフェロー（RF）ネットワーク、および軽量な医学生（MS）ネットワークを特徴とする、独創的な三者協働型知識移行および蒸留フレームワークを採用し、低品質な画像でも頑健な特徴抽出と高い精度を実現します。これにより、モバイル機器やプライマリ・ケア環境での導入が可能になります。

ABSTRACT

With the increasing demand for millions of COVID-19 screenings, Computed Tomography (CT) based test has emerged as a promising alternative to the gold standard RT-PCR test. However, it is primarily provided in hospital setting due to the need for expensive equipment and experienced radiologists. An accurate, rapid yet inexpensive test that is suitable for COVID-19 population screenings at mobile, urgent and primary care clinics is urgently needed. We present COVID-MobileXpert: a lightweight deep neural network (DNN) based mobile app that can use noisy snapshots of chest X-ray (CXR) for point-of-care COVID-19 screening. We design and implement a novel three-player knowledge transfer and distillation (KTD) framework including a pre-trained attending physician (AP) network that extracts CXR imaging features from large scale of lung disease CXR images, a fine-tuned resident fellow (RF) network that learns the essential CXR imaging features to discriminate COVID-19 from pneumonia and/or normal cases using a small amount of COVID-19 cases, and a trained lightweight medical student (MS) network that performs on-device COVID-19 screening. To accommodate the need for screening using noisy snapshots of CXR images, we employ novel loss functions and training schemes for the MS network to learn the robust imaging features for accurate on-device COVID-19 screening. We demonstrate the strong potential of COVID-MobileXpert for rapid deployment via extensive experiments with diverse MS network architecture, CXR imaging quality, and tuning parameter settings. The source code of cloud and mobile based models are available from this https URL.

研究の動機と目的

• 病院外環境における迅速で低コストかつスケーラブルなCOVID-19スクリーニングソリューションの緊急的なニーズに対応すること。
• ノイズが多く、低品質な胸郭レントゲン（CXR）スナップショットを用いても、高い精度を維持するモバイルデプロイ可能なモデルを開発すること。
• デバイス内推論を活用して、救急外来、プライマリクリニック、移動診療ユニットでのポイント・オブ・ケアスクリーニングを可能にすること。
• CTやRT-PCRの限界を克服し、CXRベースの診断に適した軽量で効率的かつ頑健なディープラーニングモデルを構築すること。
• エキスパートレベルの画像診断知識を活用する知識移行および蒸留フレームワークを設計し、モバイルデプロイメントに適した小型で効率的なモデルを実現すること。

提案手法

• 三者協働型知識移行および蒸留（KTD）フレームワークを提案：大規模な肺疾患CXRデータで事前学習された指導医（AP）ネットワークを用いて高レベルの特徴を抽出する。
• COVID-19症例の少数データセットで微調整されたレジidencyフェロー（RF）ネットワークを用いて、COVID-19と肺炎・正常例を区別するための特徴を学習する。
• RFネットワークから知識蒸留により訓練された軽量な医学生（MS）ネットワークを用いて、最小限の計算コストでデバイス内推論を実現する。
• 実世界のCXRスナップショットにおけるノイズや品質劣化に対して頑健性を高めるために、MSネットワーク向けに新しい損失関数とトレーニング方式を設計する。
• モデル圧縮および量子化技術を活用してMSネットワークを最適化し、エッジデバイス上でリアルタイム推論を実現する。
• パイプライン全体を、多様なCXR品質レベル、ネットワークアーキテクチャ、ハイパーパramータ設定の下で評価し、頑健性と一般化性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、低品質な胸郭レントゲン（CXR）スナップショットのみを用いても、軽量なディープラーニングモデルがモバイル環境で高い診断精度を達成できるか？
• RQ2 提案された三者協働型知識移行および蒸留フレームワークは、エキスパート診断知識をコンactなデバイス内モデルに効果的に移行できるか？
• RQ3 MSネットワークは、豊富なラベル付きデータを必要とせずに、さまざまな画像品質および臨床状態に一般化できる程度の性能を示せるか？
• RQ4 新しい損失関数の設計は、実世界のCXRスナップショットにおけるノイズやアーチファクトに対して、どのように頑健性を向上させるか？
• RQ5 本フレームワークを用いたデバイス内推論の性能上限（精度、速度、モデルサイズの観点から）はどの程度か？

主な発見

• 提案された三者協働型KTDフレームワークにより、限られた学習データとノイズの多い入力画像の中でも、軽量なMSネットワークが高い診断精度を達成した。
• MSネットワークは、画像品質の劣化に対しても強く、多様なスナップショット品質の範囲で高い性能を維持した。
• 広範なアブレーションスタディにより、新しい損失関数が低品質な画像条件下での特徴学習と一般化性能を顕著に向上させることを確認した。
• より大規模で複雑なモデルと比較しても、競争力ある性能を示した。これにより、デバイス内デプロイメントに適していることが裏付けられた。
• クラウドおよびモバイル用のモデルのソースコードを公開しており、再現性と臨床現場への実際の統合を可能にした。
• 本フレームワークにより、プライマリケアや移動診療クリニックでの迅速な正確なデバイス内スクリーニングツールの導入が可能になり、CTやPCR検査への依存が軽減された。