[論文レビュー] DiCOVA-Net: Diagnosing COVID-19 using Acoustics based on Deep Residual Network for the DiCOVA Challenge 2021

Jiangeng Chang, Shaoze Cui+1 more|arXiv (Cornell University)|Jul 11, 2021

COVID-19 diagnosis using AI参考文献 26被引用数 7

ひとこと要約

本論文では、データ拡張、フォーカル・ロス、トランスファー・ラーニング、アンサンブル・ラーニングを用いてクラス不均衡に対処する、ディープ・リサidual・ネットワークに基づくDiCOVA-Netを提案する。この手法は、DiCOVA Challenge 2021のテストセットで85.43%のAUCを達成し、ベースラインモデルや最先端の手法を上回った。

ABSTRACT

In this paper, we propose a deep residual network-based method, namely the DiCOVA-Net, to identify COVID-19 infected patients based on the acoustic recording of their coughs. Since there are far more healthy people than infected patients, this classification problem faces the challenge of imbalanced data. To improve the model's ability to recognize minority class (the infected patients), we introduce data augmentation and cost-sensitive methods into our model. Besides, considering the particularity of this task, we deploy some fine-tuning techniques to adjust the pre-training ResNet50. Furthermore, to improve the model's generalizability, we use ensemble learning to integrate prediction results from multiple base classifiers generated using different random seeds. To evaluate the proposed DiCOVA-Net's performance, we conducted experiments with the DiCOVA challenge dataset. The results show that our method has achieved 85.43\% in AUC, among the top of all competing teams.

研究の動機と目的

• 咳音声録画を用いた、強固で非侵襲的なCOVID-19診断法の開発。
• 感染例が健康者に比べて著しく少ないDiCOVA Challenge 2021データセットにおける深刻なクラス不均衡の解消。
• 高度なディープラーニング技術を用いて、一般化性能とマイノリティークラスの検出を向上。
• 音声ベース分類を用いて、DiCOVA Challenge 2021ベンチマークで最先端のパフォーマンスを達成すること。

提案手法

• 音声データをlibrosaを用いてメルスペクトログ램に変換し、ディープラーニングの互換性を確保。
• ガウスノイズに基づくデータ拡張を適用し、マイノリティークラス（感染例）のサンプル数を増やし、耐性を向上。
• フォーカル・ロスを目的関数として使用し、容易なネガティブサンプルの影響を低減し、マイノリティークラスの学習を改善。
• トランスファー・ラーニングを用いて、事前学習済みのResNet50モデルを音声分類タスクに適応。
• 異なるランダムシードで4つのモデルを訓練し、予測を統合することでアンサンブル・ラーニングを実装し、一般化性能を向上。
• モデル選択および検証の主な評価指標としてROC曲線下の面積（AUC）を用いた。

実験結果

リサーチクエスチョン

• RQ1 深刻なクラス不均衡があるにもかかわらず、ディープ・リサidual・ネットワークが咳音声からCOVID-19を効果的に分類できるか？
• RQ2 データ拡張とフォーカル・ロスは、医療音声データセットにおけるクラス不均衡な状況で、個別および統合的にマイノリティークラス検出をどのように改善するか？
• RQ3 音声スペクトログ램に事前学習済みのResNet50を微調整することで、初期学習から開始するか、従来の機械学習モデルよりも優れたパフォーマンスが得られるか？
• RQ4 ランダムなデータサンプリングを用いたアンサンブル・ラーニングは、この診断タスクにおけるモデルの耐性および一般化性能をどの程度向上させるか？
• RQ5 この音声ベース診断設定でAUCを最大化するために、最適な損失関数とデータ拡張戦略の組み合わせは何か？

主な発見

• アンサンブル・モデルは、DiCOVA Challenge 2021で最高のテストAUC85.43%を達成し、上位パフォーマンスを示した。
• フォーカル・ロスとガウスノイズ拡張（FL_Gua）の組み合わせが、他の組み合わせを上回り、テストAUC83.59%を達成した。
• ガウスノイズを用いたデータ拡張は、単純な複製よりも、モデルの一般化性能およびマイノリティークラス認識を向上させる上で効果的であった。
• 異なるランダムシードで訓練したモデルを統合するアンサンブル手法は、個々のモデルよりも顕著にパフォーマンスを向上させ、耐性の向上を示した。
• フォーカル・ロスとデータ拡張を組み合わせた微調整済みResNet50は、ランダムフォレスト、MLP、ロジスティック回帰といった従来モデルを上回った。
• モデルの性能はFold間で安定しており、検証AUC76.29%を示し、良好な一般化性能と低過学習を示した。