[論文レビュー] COVID-Xpert: An AI Powered Population Screening of COVID-19 Cases Using Chest Radiography Images

Xin Li, Dongxiao Zhu|arXiv (Cornell University)|Apr 6, 2020

COVID-19 diagnosis using AI被引用数 49

ひとこと要約

COVID-MobileXpert は、胸郭レントゲン（CXR）画像を用いて COVID-19 をスクリーニングし、独創的な三者協力型知識移行および蒸留フレームワークを用いて放射線的経過を予測する軽量なディープニューラルネットワークモバイルアプリです。独自の損失関数とデバイス内推論を活用し、限定的な COVID-19 データでも頑健なパフォーマンスを達成しており、ソースコードは公開されています。

ABSTRACT

During the COVID-19 pandemic, there has been an emerging need for rapid, dedicated, and point-of-care COVID-19 patient disposition techniques to optimize resource utilization and clinical workflow. In view of this need, we present COVID-MobileXpert: a lightweight deep neural network (DNN) based mobile app that can use chest X-ray (CXR) for COVID-19 case screening and radiological trajectory prediction. 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 a 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 with a small amount of COVID-19 cases, and a trained lightweight medical student (MS) network to perform on-device COVID-19 patient triage and follow-up. To tackle the challenge of vastly similar and dominant fore- and background in medical images, we employ novel loss functions and training schemes for the MS network to learn the robust features. We demonstrate the significant potential of COVID-MobileXpert for rapid deployment via extensive experiments with diverse MS architecture and tuning parameter settings. The source codes for cloud and mobile based models are available from the following url: this https URL.

研究の動機と目的

• パンデミック期における迅速かつポイント・オブ・ケアでの COVID-19 スクリーニングツールの緊急的な必要性に対応すること。
• 限定的な CXR データを用いて、効率的なデバイス内トリアージを可能にすること。
• 計算リソースが限られたモバイルプラットフォームに適した軽量で展開可能なモデルを開発すること。
• 外見と背景のパターンが非常に類似している CXR 画像における特徴学習の向上を図ること。

提案手法

• 大規模な肺疾患 CXR データで事前学習されたアテンディング・ドクター（AP）ネットワークを用いた、三者協力型知識移行および蒸留（KTD）フレームワークを設計。
• COVID-19、肺炎、正常な CXR ケースの小規模データセットで微調整されたレジデント・フェロー（RF）ネットワークを用いて、判別可能な特徴を学習。
• 軽量な医学生（MS）ネットワークを蒸留により訓練し、デバイス内でのスクリーニングおよびフォローアップトリアージを実行。
• MS ネットワークに特化した損失関数とトレーニング方式を適用し、画像の主な前後景の類似性に対する頑健性を向上。
• MS ネットワークをモバイルデプロイメントに最適化し、エッジデバイスでのリアルタイム推論を可能に。
• クラウドおよびモバイルモデルの両方のソースコードを公開し、再現可能性とさらなる開発を促進。

実験結果

リサーチクエスチョン

• RQ1 限定的な胸郭レントゲン画像のみを用いて、軽量でデバイス内でのディープラーニングモデルが効果的に COVID-19 をスクリーニングできるか？
• RQ2 事前学習および微調整されたネットワークからの知識蒸留が、限定的な COVID-19 データにおけるパフォーマンスをどの程度向上できるか？
• RQ3 特化した損失関数が、背景と前景の類似性が著しい CXR 画像における特徴学習をどの程度向上できるか？
• RQ4 提案された KTD フレームワークは、患者のフォローアップに向けた正確な放射線的経過予測を可能にするか？
• RQ5 このモデルは、多様なモバイルハードウェアおよびネットワーク環境において、どの程度スケーラブルかつ展開可能か？

主な発見

• 提案された三者協力型 KTD フレームワークにより、大規模な事前学習モデルから軽量なデバイス内ネットワークへの有効な知識移行が実現された。
• MS ネットワークは、特化した損失関数とトレーニング方式のおかげで、限定的な COVID-19 データにおいても頑健なパフォーマンスを達成した。
• 広範な実験により、多様な MS アーキテクチャおよびハイパーパramータ設定において、迅速な展開の可能性が示された。
• モデルはリアルタイムのモバイル推論に適した高い正確性と効率性を維持した。
• クラウドおよびモバイルモデルの両方のソースコードが公開されており、再現性とさらなる開発が可能となった。