[論文レビュー] COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity

Alexander Wong, Zhong Qiu Lin+6 more|arXiv (Cornell University)|May 26, 2020

COVID-19 diagnosis using AI被引用数 9

ひとこと要約

本研究では、地理的広がりと透明度広がりスコアリングを用いて、チストレントX線画像からSARS-CoV-2肺疾患の重症度を予測する深層学習システム、COVID-Net Sを提案する。396例のCXRsで訓練され、層別モンテカルロ交差検証で検証された本モデルは、地理的広がりスコアリングと透明度広がりスコアリングのそれぞれで、平均でR² 0.664および0.635、最良性能では0.739および0.741を達成し、コンピュータ支援重症度評価の強力な可能性を示している。

ABSTRACT

Background: A critical step in effective care and treatment planning for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the cause of the COVID-19 pandemic, is the assessment of the severity of disease progression. Chest x-rays (CXRs) are often used to assess SARS-CoV-2 severity, with two important assessment metrics being extent of lung involvement and degree of opacity. In this proof-of-concept study, we assess the feasibility of computer-aided scoring of CXRs of SARS-CoV-2 lung disease severity using a deep learning system. Materials and Methods: Data consisted of 396 CXRs from SARS-CoV-2 positive patient cases. Geographic extent and opacity extent were scored by two board-certified expert chest radiologists (with 20+ years of experience) and a 2nd-year radiology resident. The deep neural networks used in this study, which we name COVID-Net S, are based on a COVID-Net network architecture. 100 versions of the network were independently learned (50 to perform geographic extent scoring and 50 to perform opacity extent scoring) using random subsets of CXRs from the study, and we evaluated the networks using stratified Monte Carlo cross-validation experiments. Findings: The COVID-Net S deep neural networks yielded R$^2$ of 0.664 $\pm$ 0.032 and 0.635 $\pm$ 0.044 between predicted scores and radiologist scores for geographic extent and opacity extent, respectively, in stratified Monte Carlo cross-validation experiments. The best performing networks achieved R$^2$ of 0.739 and 0.741 between predicted scores and radiologist scores for geographic extent and opacity extent, respectively. Interpretation: The results are promising and suggest that the use of deep neural networks on CXRs could be an effective tool for computer-aided assessment of SARS-CoV-2 lung disease severity, although additional studies are needed before adoption for routine clinical use.

研究の動機と目的

• 胸部X線画像を用いたSARS-CoV-2肺疾患の重症度スコアリングに深層ニューラルネットワークを用いる可能性を評価すること。
• 地理的広がりと透明度広がりの2つの主要な重症度指標を定量化する目的で、COVID-Net Sと呼ばれる深層学習モデルの開発および妥当性検証を行うこと。
• モデルの予測スコアを専門放射線科医の評価と比較し、臨床的関連性および信頼性を評価すること。
• 緊急および集中治療科の臨床現場における迅速かつ客観的な重症度評価を可能にすることで、臨床意思決定を支援すること。

提案手法

• 本研究では、396例のSARS-CoV-2陽性患者のCXRsを用いて、地理的広がりスコアリング用50、透明度広がりスコアリング用50の合計100の異なる深層ニューラルネットワークを、変更を加えたCOVID-Netアーキテクチャで訓練した。
• 地理的広がりと透明度広がりのスコアは、2名の公認放射線科医および1名の放射線科レジデントの評価から得られ、基準値として用いた。
• 層別モンテカルロ交差検証を用いて、100のランダムなデータサブセットでモデルを訓練および評価し、性能推定の堅牢性を確保した。
• モデルの性能は、予測スコアと放射線科医がアノテートしたスコアとの間の決定係数（R²）を用いて測定した。
• ネットワークアーキテクチャは、医療画像回帰タスクに最適化された転移学習および畳み込みニューラルネットワーク（CNN）コンponentsを活用した。
• ハイパーパramータチューニングおよびデータ拡張を適用し、限られたデータセットにおける一般化性能を向上させるとともに、過学習のリスクを低減した。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、SARS-CoV-2陽性患者のCXRsから肺への影響範囲の広がりを正確に予測できるか？
• RQ2 深層ニューラルネットワークは、CXRsを用いてSARS-CoV-2に影響を受ける肺の透明度広がりを信頼性高く推定できるか？
• RQ3 モデルの性能は、相関性および一貫性の観点から、専門放射線科医のスコアリングと比較してどの程度か？
• RQ4 本モデルは、救急および集中治療科の臨床現場において、トリアージおよび治療計画支援にどの程度貢献できるか？

主な発見

• 100回の交差検証の結果、地理的広がりの予測スコアと放射線科医スコアとの平均R²は0.664 ± 0.032、透明度広がりは0.635 ± 0.044であった。
• 最良のモデルでは、地理的広がりでR² 0.739、透明度広がりでR² 0.741を達成し、高い予測精度を示した。
• モデルの性能は、地理的広がりスコアリングの方が透明度広がりスコアリングよりも一貫性が高かったことから、肺への影響範囲の評価においてより信頼性が高いことが示された。
• 本結果は、深層学習モデルが、専門家の評価と高い相関性を示しながらも、CXRsからSARS-CoV-2肺疾患の重症度を効果的に定量化できる可能性を示している。
• 本研究では、CTスキャンよりもCXRsが容易に入手可能なリソース制限のある環境でも、深層学習を用いたコンピュータ支援重症度スコアリングの実現可能性を確認した。
• データバイアスや機能的アウトカムとの相関欠如といった制限はあるが、本モデルは、患者トリアージに統合可能な臨床ワークフローへの統合の可能性を強く示している。