[論文レビュー] Detection of Covid-19 From Chest X-ray Images Using Artificial Intelligence: An Early Review

Muhammad Ilyas, Hina Rehman+1 more|arXiv (Cornell University)|Apr 11, 2020

COVID-19 diagnosis using AI参考文献 15被引用数 35

ひとこと要約

この論文は胸部X線画像からCOVID-19を検出するためのAI/深層学習アプローチを調査し、複数のアーキテクチャを比較し、COVID-19肺炎を他の原因と区別する課題などを指摘している。

ABSTRACT

In 2019, the entire world is facing a situation of health emergency due to a newly emerged coronavirus (COVID-19). Almost 196 countries are affected by covid-19, while USA, Italy, China, Spain, Iran, and France have the maximum active cases of COVID-19. The issues, medical and healthcare departments are facing in delay of detecting the COVID-19. Several artificial intelligence based system are designed for the automatic detection of COVID-19 using chest x-rays. In this article we will discuss the different approaches used for the detection of COVID-19 and the challenges we are facing. It is mandatory to develop an automatic detection system to prevent the transfer of the virus through contact. Several deep learning architecture are deployed for the detection of COVID-19 such as ResNet, Inception, Googlenet etc. All these approaches are detecting the subjects suffering with pneumonia while its hard to decide whether the pneumonia is caused by COVID-19 or due to any other bacterial or fungal attack.

研究の動機と目的

• AIと深層学習が胸部X線画像からCOVID-19肺炎を検出するのにどのように適用されているかを評価する。
• 小規模なCOVID-19 X線データセットに対する様々な深層学習アーキテクチャの性能を要約する。
• COVID-19に起因する肺炎の特定における課題と、より大規模で多クラスのデータセットの必要性について論じる。

提案手法

• 胸部X線画像に対するCOVID-19検出に用いられる複数の深層学習アーキテクチャをレビューする（例：ResNet50、InceptionV3、InceptionResNetV2）。
• 小規模データセット（しばしば50例の感染と50例の正常など）に関する報告精度を要約する。
• 転移学習と異常/二値分類アプローチの活用を強調する。
• データベースサイズの小ささ（50〜100枚程度）の制限と、より大規模なデータセットの必要性について論じる。

Figure 1: Daily cases of COVID-19

実験結果

リサーチクエスチョン

• RQ1 研究者は胸部X線画像からCOVID-19を検出するためにどのような深層学習アーキテクチャを用き、どの程度の精度を小規模データセットで達成しているのか。
• RQ2 報告された結果はCOVID-19肺炎と他の肺炎病因を区別する課題にどう対処しているか。
• RQ3 AIベースのCOVID-19 X線検出の現行データセットと方法の限界は何か。
• RQ4 X線画像からのAIベースのCOVID-19検出を改善するための今後の方向性は何か。

主な発見

Reference	Model	Database size	Accuracy
[ 13 ]	InceptionV3	50 infected and 50 normal	96%
[ 13 ]	ResNet50	98%	96%
[ 13 ]	InceptionV2	80%
[ 14 ]	AlexNet	25 infected 25 normal	95%
[ 14 ]	DenseNet201	93%	93%
[ 14 ]	GoogleNet	25 infected 25 normal	91%
[ 14 ]	InceptionV3	25 infected 25 normal	91%
[ 14 ]	ResNet18	25 infected 25 normal	91%
[ 14 ]	ResNet50	25 infected 25 normal	95%
[ 14 ]	ResNet101	25 infected 25 normal	89%
[ 14 ]	VGG16	25 infected 25 normal	92%
[ 14 ]	XceptionNet	25 infected 25 normal	93%
[ 14 ]	InceptionNetV2	25 infected 25 normal	93%
[ 15 ]	ResNet Deep Anomaly detection model	70 infected and 30 normal	96%
[ 16 ]	VGG	25 infected and 25 normal	90%
[ 16 ]	DenseNet201	25 infected and 25 normal	90%
[ 16 ]	ResNetV2	70%
[ 16 ]	Inception	50%
[ 16 ]	InceptionResNetV2	80%
[ 16 ]	Xception	80%
[ 16 ]	MobileNetV2	60%
[ 17 ]	VGG19	224 infected 504 normal	98%
[ 17 ]	MobileNet	-	97%
[ 17 ]	Inception	-	86%
[ 17 ]	Xception	-	85%
[ 17 ]	InceptionResNet	-	84%
[ 17 ]	-	-	-

• ResNet50は、特定の研究で小規模データセットで約98%の精度を達成。
• 他のアーキテクチャ（InceptionV3、InceptionResNetV2、DenseNet201、VGG19、XceptionNet）は小規模データセットで80〜97%の精度を報告。
• 転移学習と深層異常検出アプローチは複数の研究で検討された。
• 評価に用いられたデータセットの多くは感染あり50名と正常50名、または同等の小さなサンプルを含んでいた。
• X線画像の肺炎をCOVID-19に特異的に帰属させることは、他の病原体との識別の大きな課題である。
• 著者らは一般化性を向上させるために、より大規模で多クラスのデータセットと広範な検証の必要性を強調している。

Figure 2: Death and recovery rate of COVID-19