[論文レビュー] CovidAID: COVID-19 Detection Using Chest X-Ray

Arpan Mangal, Surya Kalia+5 more|arXiv (Cornell University)|Apr 21, 2020

COVID-19 diagnosis using AI参考文献 9被引用数 132

ひとこと要約

tldr: CovidAID は事前学習済み CheXNet バックボーンを使用して胸部 X 線を Normal, Bacterial Pneumonia, Viral Pneumonia, および COVID-19（または 3 クラス版）に分類します。同じデータセット上で COVID-19 のリコールをほぼ完璧に達成し、COVID-Net を上回ります。

ABSTRACT

The exponential increase in COVID-19 patients is overwhelming healthcare systems across the world. With limited testing kits, it is impossible for every patient with respiratory illness to be tested using conventional techniques (RT-PCR). The tests also have long turn-around time, and limited sensitivity. Detecting possible COVID-19 infections on Chest X-Ray may help quarantine high risk patients while test results are awaited. X-Ray machines are already available in most healthcare systems, and with most modern X-Ray systems already digitized, there is no transportation time involved for the samples either. In this work we propose the use of chest X-Ray to prioritize the selection of patients for further RT-PCR testing. This may be useful in an inpatient setting where the present systems are struggling to decide whether to keep the patient in the ward along with other patients or isolate them in COVID-19 areas. It would also help in identifying patients with high likelihood of COVID with a false negative RT-PCR who would need repeat testing. Further, we propose the use of modern AI techniques to detect the COVID-19 patients using X-Ray images in an automated manner, particularly in settings where radiologists are not available, and help make the proposed testing technology scalable. We present CovidAID: COVID-19 AI Detector, a novel deep neural network based model to triage patients for appropriate testing. On the publicly available covid-chestxray-dataset [2], our model gives 90.5% accuracy with 100% sensitivity (recall) for the COVID-19 infection. We significantly improve upon the results of Covid-Net [10] on the same dataset.

研究の動機と目的

• COVID-19 検査の RT-PCR リソースが限られている場合のトリアージを動機づける。
• SARI 患者における RT-PCR 検査を優先するため Chest X-Ray データを活用する。
• CheXNet をベースとした深層学習モデルを開発し、胸部 X 線を four（または three）クラスの臨床的に関連するクラスに分類する。
• AI 支援 COVID-19 検出研究を加速させるため、トレーニングコードとモデルをオープンアクセスする。

提案手法

• 事前学習済み CheXNet DenseNet-121 バックボーンを使用する。
• 最終分類器を置換し、四つ（または三つ）のクラスをシグモイド活性化で出力する。
• 2 段階で訓練する： (i) バックボーンを凍結した状態で最終層のみ訓練、 (ii) エンドツーエンドで微調整。
• クラス不均衡を扱うため、クラス固有の重み w_c^+ および w_c^- を用いた重み付き二値交差エントロピー損失を各クラスに適用する。
• 各バッチで COVID-19 信号がマスクされないように肺炎データをまばらにサンプリングする（4 クラス版は比率 5:5:5:1、3 クラス版は 7:7:1）。
• 評価は covid-chestxray-dataset と chest-xray-pneumonia のデータセットのスプリットで行い、漏洩を避けるため患者ごとの分割を使用する。

実験結果

リサーチクエスチョン

• RQ1 DenseNet ベースのモデルが CheXNet 重みで訓練される場合、胸部X線で COVID-19 を正常および他の肺炎と正確に識別できるか。
• RQ2 4 クラス構成（Normal, Bacterial Pneumonia, Viral Pneumonia, COVID-19）が、3 クラス設定と比べて COVID-19 のトリアージを改善するか。
• RQ3 同じテスト分割で COVID-Net のベースラインと CovidAID を比較してどうなるか。
• RQ4 saliency 分析でモデルの注意/放射線科医に見える特徴との相関が支持されるか。

主な発見

• COVID-19 クラスは、3 クラス構成で AUROC が最大 0.9997、感度 1.000、PPV 0.968 を達成。
• 4 クラス構成では COVID-19 の AUROC が 0.9994、感度 1.000、PPV 0.938、全体の 4 クラス精度は 87.2%。
• 3 クラス構成では全体精度 90.5%、クラス別 AUROC：Normal Lung 0.9795、Pneumonia 0.9814、COVID-19 0.9997；感度と PPV：0.744/0.989（Normal）、0.995/0.868（Pneumonia）、1.000/0.938（COVID-19）。
• COVID-Net と比較して、同じテスト分割において Pneumonia および COVID-19 の検出で 0.14 AUROC 以上上回る。
• RISE を用いたサリエンシー・マップは、COVID-19 の予測において腔内臓器の意味的に意味のある肺領域にモデルが焦点を合わせていることを裏付ける。