[論文レビュー] Do Lateral Views Help Automated Chest X-ray Predictions?

Hadrien Bertrand, Mohammad Hashir+1 more|arXiv (Cornell University)|Apr 17, 2019

COVID-19 diagnosis using AI参考文献 8被引用数 10

ひとこと要約

本研究では、PadChestデータセットを用いたDenseNetモデルを用いて、側面撮影によるレントゲン画像が自動疾患予測を改善するかどうかを評価する。結果として、8種類の56のラベルにおいて側面撮影が性能を向上させることを確認した。特に、胸水や横隔膜の異常において顕著な向上が見られた。一方、21のラベルではPA撮影と同等の性能を示し、多視点ディープラーニングにおける側面撮影の的確な応用可能性を示唆している。

ABSTRACT

Most convolutional neural networks in chest radiology use only the frontal posteroanterior (PA) view to make a prediction. However the lateral view is known to help the diagnosis of certain diseases and conditions. The recently released PadChest dataset contains paired PA and lateral views, allowing us to study for which diseases and conditions the performance of a neural network improves when provided a lateral x-ray view as opposed to a frontal posteroanterior (PA) view. Using a simple DenseNet model, we find that using the lateral view increases the AUC of 8 of the 56 labels in our data and achieves the same performance as the PA view for 21 of the labels. We find that using the PA and lateral views jointly doesn't trivially lead to an increase in performance but suggest further investigation.

研究の動機と目的

• 単一の後前位（PA）撮影画像のみを用いる場合と比較して、側面撮影画像を統合することにより、自動疾患分類の性能が向上するかどうかを調査すること。
• 大規模かつ多視点のデータセットにおいて、56種類の放射線診断の広範なスケールで、側面撮影画像の相対的寄与度を評価すること。
• PAおよび側面撮影画像を単純な統合戦略（エアリー融合やレイト融合）で組み合わせることで、ラベルごとに一貫した性能向上が得られるかどうかを評価すること。
• PA撮影画像よりも側面撮影画像が臨床的に意味のある診断情報を提供する特定の病態を同定すること。
• PadChestデータセットにおける弱教師ありラベルの信頼性が、後続のディープラーニングタスクにおける性能トレンドの妥当性に与える影響を検証すること。

提案手法

• PA撮影画像のみ、および側面撮影画像のみを用いて、それぞれ1つのDenseNetモデルを訓練し、60-20-20の訓練-検証-テスト分割を適用した。
• クラスの不均衡に対処するため、頻度に基づいた重みを1〜5の範囲に制限したクラス加重バイナリクロスエントロピー損失を適用した。
• 入力の正規化のため、センタークロップとピクセル値のスケーリング（[-1, 1]に）を用いたデータ拡張を実施した。
• 各ラベルごとに検証AUCが最高のモデルを選択し、エアリー停止法と各モデルで5回のランダム重み初期化を実施した。
• サンプルサイズの増加と学習安定性の向上を目的に、元の194ラベルを56の上位ラベルにマッピングした。
• テストセットにおける受信者パンダム特性曲線下積分（AUC）を用いて性能を評価し、複数のランダムシードでのラベルごとの結果を可視化した。

実験結果

リサーチクエスチョン

• RQ1 56種類の放射線診断ラベルのうち、PA撮影画像のみを用いる場合と比較して、側面撮影画像がモデル性能を向上させるのは何個のラベルか？
• RQ2 PA撮影画像よりも側面撮影画像が顕著に多くの診断情報を提供する特定の病態は何か？
• RQ3 PAおよび側面撮影画像を単純なエアリー融合やレイト融合戦略で統合することで、ラベルごとに一貫した性能向上が得られるか？
• RQ4 複数のランダムシードにおけるモデルのばらつきは、PA撮影画像と側面撮影画像の性能比較の信頼性にどのように影響するか？
• RQ5 PadChestデータセットにおける弱教師ありラベルは、観察された性能トレンドの妥当性にどの程度影響を及ぼすか？

主な発見

• 側面撮影画像は、PA撮影画像のみを用いた場合と比較して、56のラベルのうち8つ（胸水、人工心膜、半側横隔膜上昇など）でAUC性能を向上させた。
• 21のラベルでは、側面撮影画像がPA撮影画像と同等の性能を示し、複数のランダムシードにおけるAUC差が標準偏差未満に収まった。
• 全56ラベルの平均加重AUCは0.79であり、単純なDenseNetアーキテクチャを用いても高いベースライン性能を示した。
• 単純な統合戦略（エアリー融合やレイト融合）を用いて両方の視点を組み合わせても、一貫した向上は得られず、ランダムシードごとのばらつきが顕著であった。これは、多視点統合における非自明な課題を示唆している。
• 結果から、側面撮影画像は万能ではなく、心臓、横隔膜、後方肺構造に関与する病態において特に情報価値が高いことが示唆された。
• 一部のラベルにおいて性能の高いばらつきが観察されたことから、MIMIC-CXR や CheXpert のようなより大規模かつ多様なデータセットでのさらなる検証の必要性が示された。