[論文レビュー] Deep Convolutional Neural Networks to Diagnose COVID-19 and other Pneumonia Diseases from Posteroanterior Chest X-Rays

Pierre G. B. Moutounet-Cartan|arXiv (Cornell University)|May 2, 2020

COVID-19 diagnosis using AI参考文献 13被引用数 31

ひとこと要約

This field should be the direct translation of the English summary. However, since the request emphasizes translating natural language while preserving numbers and terms, and the provided tldr is in English, I will translate it as: The paper evaluates multiple CNN architectures (VGG16/19, InceptionResNetV2, InceptionV3, Xception) trained on PA chest X-rays to classify COVID-19, No Finding, and Other Pneumonia, with VGG16 performing best.

ABSTRACT

The article explores different deep convolutional neural network architectures trained and tested on posteroanterior chest X-rays of 327 patients who are healthy (152 patients), diagnosed with COVID-19 (125), and other types of pneumonia (48). In particular, this paper looks at the deep convolutional neural networks VGG16 and VGG19, InceptionResNetV2 and InceptionV3, as well as Xception, all followed by a flat multi-layer perceptron and a final 30% drop-out. The paper has found that the best performing network is VGG16 with a final $30$% drop-out trained over 3 classes (COVID-19, No Finding, Other Pneumonia). It has an internal cross-validated accuracy of $93.9(\pm3.4)$%, a COVID-19 sensitivity of $87.7(-1.9,+2)$%, and a No Finding sensitivity of $96.8(\pm0.8)$%. The respective external cross-validated values are $84.1(\pm13.5)$%, $87.7(-1.9,2)$%, and $96.8(\pm0.8)$%. The model optimizer was Adam with a 1e-4 learning rate, and categorical cross-entropy loss. It is hoped that, once this research will be put to practice in hospitals, healthcare professionals will be able in the medium to long-term to diagnosing through machine learning tools possible pneumonia, and if detected, whether it is linked to a COVID-19 infection, allowing the detection of new possible COVID-19 foyers after the end of possible "stop-and-go" lockdowns as expected by until a vaccine is found and widespread. Furthermore, in the short-term, it is hoped practitioners can compare the diagnosis from the deep convolutional neural networks with possible RT-PCR testing results, and if clashing, a Computed Tomography could be performed as they are more accurate in showing COVID-19 pneumonia.

研究の動機と目的

• PA chest X-rays from PA chest X-rays でCOVID-19および他の肺炎を診断する深層CNNの実現可能性を評価する。
• 複数のアーキテクチャ（VGG16、VGG19、InceptionResNetV2、InceptionV3、Xception）を3クラスタスクで比較する。
• クロスバリデーション付きの性能指標を提供し、病院での実用性と限界を議論する。

提案手法

• ImageNetプリトレーニング weights で初期化して転移学習を用いる。
• すべてのモデルをAdamオプティマイザ、学習率0.0001で200エポック訓練する。
• 最終ドロップアウト30%、カテゴリカルクロスエントロピー損失を適用する。
• 内部および外部の testing performance を報告するために層別5分割クロスバリデーションを利用する。
• PA胸部X線を182x182にリサイズしてデータ拡張（回転、移動、ズーム、反転、チャネルシフト）を適用して前処理する。

実験結果

リサーチクエスチョン

• RQ1 PA胸部X線ベースのCNNはCOVID-19をNo Findingおよび他の肺炎と区別できるか。
• RQ2 この3クラスタスクで最も良いクロスバリデーション性能を示すCNNアーキテクチャはどれか。
• RQ3 アーキテクチャ間でCOVID-19およびNo Findingの検出感度はどの程度か。
• RQ4 外部テストの性能は内部のクロスバリデーションと比較してどうか。
• RQ5 病院環境でのPA X線とこれらのモデルの使用の制限は何か。

主な発見

Net	Accuracy (Internal)	COVID-19 Recall (Internal)	No Finding Recall (Internal)	Accuracy (External)	COVID-19 Recall (External)	No Finding Recall (External)
VGG16	0.939	0.877	0.968	0.841	0.877	0.968
VGG19	0.927	0.861	0.964	0.820	0.861	0.964
InceptionResNetV2	0.612	0.708	0.918	0.612	0.710	0.918
InceptionV3	0.705	0.779	0.941	0.691	0.780	0.941
Xception	0.820	0.861	0.964	0.614	0.751	0.895

• 評価したモデルの中でVGG16が内部・外部セットの総合性能で最も良かった。
• VGG16の内部5分割クロスバリデーション精度: 93.9% (±3.4); COVID-19 リコール: 87.7% (±2.0); No Finding リコール: 96.8% (±0.8)。
• VGG16の外部テスト精度: 84.1% (±13.5); COVID-19リコール: 87.7% (±2.0); No Findingリコール: 96.8% (±0.8)。
• InceptionResNetV2とInceptionV3はCOVID-19感度が低くばらつきが大きく、性能は中程度。InceptionResNetV2のCOVID-19リコールは内部/外部で約70.8–71.0%程度。
• VGG19はVGG16と類似の性能を示すが、信頼性の改善が若干小さくコストが高い。
• XceptionはこのデータセットではVGGベースモデルよりも劣っていた。