[論文レビュー] COVIDomaly: A Deep Convolutional Autoencoder Approach for Detecting Early Cases of COVID-19.

Faraz Khoshbakhtian, Ahmed Ashraf+1 more|arXiv (Cornell University)|Oct 6, 2020

COVID-19 diagnosis using AI被引用数 6

ひとこと要約

COVIDomalyは、ラベル付きの感染症データが入手不可な状況下でも、深層畳み込み自己符号化器を用いた1クラス異常検出フレームワークを提案し、初期のCOVID-19症例をレントゲン画像から同定する。健康または非COVID-19肺炎のレントゲン画像のみで訓練された本手法は、統合されたAUC ROCが0.7652に達し、限られたデータで初期パンデミック検出に有望であることを示している。

ABSTRACT

As of September 2020, the COVID-19 pandemic continues to devastate the health and well-being of the global population. With more than 33 million confirmed cases and over a million deaths, global health organizations are still a long way from fully containing the pandemic. This pandemic has raised serious questions about the emergency preparedness of health agencies, not only in terms of treatment of an unseen disease, but also in identifying its early symptoms. In the particular case of COVID-19, several studies have indicated that chest radiography images of the infected patients show characteristic abnormalities. However, at the onset of a given pandemic, such as COVID-19, there may not be sufficient data for the affected cases to train models for their robust detection. Hence, supervised classification is ill-posed for this problem because the time spent in collecting large amounts of infected peoples' data could lead to the loss of human lives and delays in preventive interventions. Therefore, we formulate this problem within a one-class classification framework, in which the data for healthy patients is abundantly available, whereas no training data is present for the class of interest (COVID-19 in our case). To solve this problem, we present COVIDomaly, a convolutional autoencoder framework to detect unseen COVID-19 cases from the chest radiographs. We tested two settings on a publicly available dataset (COVIDx) by training the model on chest X-rays from (i) only healthy adults, and (ii) healthy and other non-COVID-19 pneumonia, and detected COVID-19 as an anomaly. After performing 3-fold cross validation, we obtain a pooled ROC-AUC of 0.7652 and 0.6902 in the two settings respectively. These results are very encouraging and pave the way towards research for ensuring emergency preparedness in future pandemics, especially the ones that could be detected from chest X-rays.

研究の動機と目的

• パンデミック発生当初にラベル付き感染症データが乏しい状況下で、初期のCOVID-19症例を検出する課題に対処すること。
• 健康または非COVID-19肺炎のレントゲン画像のみを用いて、COVID-19を異常とみなす1クラス分類フレームワークを構築すること。
• 医療画像を用いて、限られたデータで新規感染症を早期に検出できるようにすることで、緊急対応体制を強化すること。

提案手法

• 深層畳み込み自己符号化器を、健康な個人のレントゲン画像にのみ訓練し、正常な解剖的パターンを学習する。
• モデルは入力レントゲン画像を再構築し、再構築誤差を異常スコアとして算出する。再構築誤差が大きいほど、COVID-19の可能性が高くなる。
• 2つの訓練設定を評価した：1つは健康成人のレントゲン画像のみを用いたもの、もう1つは健康および非COVID-19肺炎のレントゲン画像を併用したもの。
• 再構築誤差をしきい値で評価することで異常を検出する。高い誤差は、COVID-19感染の可能性を示唆する。
• パブリックに利用可能なCOVIDxデータセットを用いた3分割交差検証により、性能を評価した。
• 正常なレントゲン画像は豊富に存在するが、感染症例は希少で、パンデミック初期段階では収集が困難であるという仮定をフレームワークが活用している。

実験結果

リサーチクエスチョン

• RQ1 健康または非COVID-19肺炎のレントゲン画像のみを用いた1クラス異常検出モデルは、正常なレントゲン画像を用いて初期のCOVID-19症例を効果的に同定できるか？
• RQ2 訓練データに非COVID-19肺炎のレントゲン画像を含めることで、モデルのCOVID-19の異常検出能力にどのような影響を与えるか？
• RQ3 畳み込み自己符号化器フレームワークは、パブリックデータセット上で未観測のCOVID-19症例を検出する上で、どの程度の性能を示すか？
• RQ4 本手法は、ラベル付きデータが限られる将来的なパンデミックに対し、実用的な緊急検出システムとして機能できるか？

主な発見

• 健康成人のレントゲン画像のみで訓練した場合、統合されたAUC ROCは0.7652に達し、未観測のCOVID-19症例の検出において優れた性能を示した。
• 健康および非COVID-19肺炎のレントゲン画像を併用して訓練した場合、統合されたAUC ROCは0.6902に達し、中程度の性能ではあるが依然として有望な検出能力を示した。
• 結果から、畳み込み自己符号化器フレームワークは、ターゲットクラスの訓練データが最小限であっても、胸部レントゲン画像の異常を検出可能であることが明らかになった。
• 本フレームワークはデータ不足に強く、感染症例のデータが入手不可なパンデミック初期段階の検出に適している。
• 本研究は、自己符号化器を用いた1クラス分類が、緊急事態における新疾患の医療画像からの検出に実用的であることを確認した。
• 本研究の結果は、今後のパンデミックに備えた緊急対応戦略として、同種のモデルを活用することの有効性を裏付けている。