[論文レビュー] Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia

Xi Ouyang, Jiayu Huo+16 more|arXiv (Cornell University)|May 6, 2020

COVID-19 diagnosis using AI参考文献 59被引用数 25

ひとこと要約

本稿では、胸部CT画像におけるCOVID-19と外来性肺炎（CAP）を区別するため、3次元畳み込みニューラルネットワーク（3D CNN）を用いたデュアルサンプリングアテンションネットワークを提案する。クラス不均衡に対処するため、オンラインアテンションモジュールとデュアルサンプリング戦略を統合することで、大規模な独立したマルチセンターのテストセットにおいて、AUCが0.944、正解率が87.5%、F1スコアが82.0%を達成し、高い診断性能と、アテンション可視化による向上した解釈可能性を示した。

ABSTRACT

The coronavirus disease (COVID-19) is rapidly spreading all over the world, and has infected more than 1,436,000 people in more than 200 countries and territories as of April 9, 2020. Detecting COVID-19 at early stage is essential to deliver proper healthcare to the patients and also to protect the uninfected population. To this end, we develop a dual-sampling attention network to automatically diagnose COVID- 19 from the community acquired pneumonia (CAP) in chest computed tomography (CT). In particular, we propose a novel online attention module with a 3D convolutional network (CNN) to focus on the infection regions in lungs when making decisions of diagnoses. Note that there exists imbalanced distribution of the sizes of the infection regions between COVID-19 and CAP, partially due to fast progress of COVID-19 after symptom onset. Therefore, we develop a dual-sampling strategy to mitigate the imbalanced learning. Our method is evaluated (to our best knowledge) upon the largest multi-center CT data for COVID-19 from 8 hospitals. In the training-validation stage, we collect 2186 CT scans from 1588 patients for a 5-fold cross-validation. In the testing stage, we employ another independent large-scale testing dataset including 2796 CT scans from 2057 patients. Results show that our algorithm can identify the COVID-19 images with the area under the receiver operating characteristic curve (AUC) value of 0.944, accuracy of 87.5%, sensitivity of 86.9%, specificity of 90.1%, and F1-score of 82.0%. With this performance, the proposed algorithm could potentially aid radiologists with COVID-19 diagnosis from CAP, especially in the early stage of the COVID-19 outbreak.

研究の動機と目的

• 胸部CTスキャンを用いたCOVID-19の早期診断のための自動化されたディープラーニング手法の開発。
• COVID-19とCAPの間で感染領域のサイズに顕著なクラス不均衡が生じる問題、特にCOVID-19の急速な進行を踏まえた対処。
• オンラインアテンション機構を用いて感染領域に注目を向けることで、モデルの解釈可能性を向上。
• トレーニング中に使用されなかった大規模かつ独立したマルチセンターのCTデータセットにおけるモデルの一般化性能の検証。
• 特にリソースが限られたアウトブレイク環境において、放射線科医による早期発見および肺炎亜型の鑑別診断を支援。

提案手法

• 3次元胸郭CTボリュームからの特徴抽出のため、3次元畳み込みニューラルネットワーク（CNN）をバックボーンとして使用。
• トレーニング中に動的にアテンションマップを精錬するオンラインアテンションモジュールを導入し、感染領域に注目することで解釈可能性を向上。
• 小規模な感染領域ケースをオーバーサンプリングし、大規模なケースをアンダーサンプリングすることで、トレーニングデータのバランスを取るデュアルサンプリング戦略を設計。
• 感染領域のセグメンテーションマスクを用いてアテンションマップを精錬し、臨床的に関連する領域にモデルを誘導。
• Grad-CAMを比較対象としたが、提案手法は実際の感染領域とより一致する正確で局所化されたアテンションマップを生成した。
• 2,186例のCTスキャン（1,588名の患者）を用いた5分割交差検証でモデルをトレーニングし、2,796例（2,057名の患者）の独立したデータセットでテスト。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、高い正確性と頑健性を備えて、胸部CTスキャンにおけるCOVID-19とCAPを効果的に区別できるか？
• RQ2 アテンション機構をどのように最適化すれば、CT画像における感染領域の局所化とモデルの解釈可能性を向上させられるか？
• RQ3 デュアルサンプリング戦略は、COVID-19とCAP間の感染領域サイズの不均衡がモデル性能に与える影響をどの程度軽減できるか？
• RQ4 提案手法は、トレーニングに使用されなかった独立したマルチセンターのデータセットに対しても、良好に一般化できるか？
• RQ5 アテンションマップの局所化と、肺炎診断における臨床的関連画像所見との相関はどの程度か？

主な発見

• 独立したテストセットにおいて、受診者作業特性曲線下の面積（AUC）が0.944に達し、強力な診断性能を示した。
• テストセットにおいて、正解率が87.5%、感度が86.9%、特異度が90.1%を達成し、COVID-19とCAPを区別した。
• F1スコアが82.0%であり、特に希少または早期症例において、適合率と再現率のバランスが取れていることを示した。
• 提案手法のアテンションマップは、Grad-CAMよりも感染領域をより正確に局所化しており、真の感染セグメンテーションと強い一致を示した。
• 失敗事例では、視覚的手がかりが曖昧または誤解を招く場合、特に肺以外の領域でアテンションの局所化に限界が見られた。
• 小規模な感染領域を示すCOVID-19症例では性能が低下したため、早期診断において臨床的および検査データの統合が求められることが示唆された。