[論文レビュー] Early Screening of SARS-CoV-2 by Intelligent Analysis of X-Ray Images

Débora Gil, Katerine Díaz-Chito+2 more|arXiv (Cornell University)|May 28, 2020

COVID-19 diagnosis using AI参考文献 27被引用数 10

ひとこと要約

本研究では、X線画像からのSARS-CoV-2の早期スクリーニングを目的として、ヒストограмの勾配（HoG）と次元削減を用いた古典的手法を提案する。COVID-19と正常、肺炎、非COVID-19浸潤症例を区別する際、96％の精度（accuracy）と98％の再現率（recall）を達成し、ディープラーニング手法を上回り、非COVID-19浸潤症例がCOVID-19と最もレントゲン的像が類似していることが判明した。したがって、特異性を向上させるために臨床データの統合が不可欠である。

ABSTRACT

Future SARS-CoV-2 virus outbreak COVID-XX might possibly occur during the next years. However the pathology in humans is so recent that many clinical aspects, like early detection of complications, side effects after recovery or early screening, are currently unknown. In spite of the number of cases of COVID-19, its rapid spread putting many sanitary systems in the edge of collapse has hindered proper collection and analysis of the data related to COVID-19 clinical aspects. We describe an interdisciplinary initiative that integrates clinical research, with image diagnostics and the use of new technologies such as artificial intelligence and radiomics with the aim of clarifying some of SARS-CoV-2 open questions. The whole initiative addresses 3 main points: 1) collection of standardize data including images, clinical data and analytics; 2) COVID-19 screening for its early diagnosis at primary care centers; 3) define radiomic signatures of COVID-19 evolution and associated pathologies for the early treatment of complications. In particular, in this paper we present a general overview of the project, the experimental design and first results of X-ray COVID-19 detection using a classic approach based on HoG and feature selection. Our experiments include a comparison to some recent methods for COVID-19 screening in X-Ray and an exploratory analysis of the feasibility of X-Ray COVID-19 screening. Results show that classic approaches can outperform deep-learning methods in this experimental setting, indicate the feasibility of early COVID-19 screening and that non-COVID infiltration is the group of patients most similar to COVID-19 in terms of radiological description of X-ray. Therefore, an efficient COVID-19 screening should be complemented with other clinical data to better discriminate these cases.

研究の動機と目的

• 古典的コンピュータビジョン手法を用いて、SARS-CoV-2の早期検出を目的とした知能的で低コストのX線スクリーニングシステムの開発。
• プライマリケア環境における標準的X線画像を用いた初期COVID-19検出の可能性の評価。
• 診断精度に影響を与える画像診断的特徴と臨床的交絡要因（特に非COVID-19浸潤症例）の同定。
• 古典的機械学習手法（HoG＋特徴選択）と最先端のディープラーニング手法を用いたCOVID-19検出の比較。
• 疾患進行の段階（早期、中期、後期）に応じたモデルの性能評価を通じて、早期診断の可能性の検証。

提案手法

• 本手法は、前後斜位のX線画像からテクスチャおよびエッジ特徴を抽出するために、ヒストグラムの勾配（HoG）を用いる。
• 分類のための特徴空間最適化を目的として、DCV（判別的成分変動）および他の手法を用いて次元削減を実施する。
• 二段階の分類パイプラインを採用：第一段階では、COVID-19、非COVID-19肺炎、浸潤、正常の各症例を区別する。第二段階では、疾患進行段階に応じた性能を評価する。
• HoGのセルサイズや削減手法などのモデルハイパーパrameterは、分類性能の統計的分析を基に調整される。
• 公開リポジトリから収集したデータセットを用い、クラス間のバランスを保つよう注意深くサンプリングを実施する。
• 標準指標（精度、感受性（再現率）、特異性、適合率）を用いて、最先端のディープラーニング手法と性能を比較評価する。

実験結果

リサーチクエスチョン

• RQ1 古典的機械学習手法（HoG＋次元削減）は、X線画像からのSARS-CoV-2検出において、ディープラーニング手法を上回ることができるか？
• RQ2 モデルは、特に非COVID-19浸潤症例と類似した肺疾患と比較して、初期COVID-19をどれほど正確に区別できるか？
• RQ3 非COVID-19浸潤症例とCOVID-19のレントゲン的像の類似性が原因となる偽陽性を低減するために、臨床データが果たす役割は何か？
• RQ4 COVID-19肺炎の早期、中期、後期の各段階において、検出性能の差は有意に認められるか？
• RQ5 訓練時に非COVID-19浸潤症例を別クラスとして含めることで、モデルの特異性と臨床的妥当性が向上するか？

主な発見

• HoGベースの手法は、正常、肺炎、非COVID-19浸潤症例とCOVID-19を区別する際、96％の精度、98％の再現率、96％の適合率を達成した。
• 特に二クラス（COVID-19 対 非COVID-19）および三クラス（COVID-19、肺炎、正常）設定において、複数の最先端ディープラーニング手法を上回る特異性と適合率を示した。
• 非COVID-19浸潤症例は、COVID-19と最もレントゲン的像が類似していると特定され、システムの偽陽性の20％以上がこのクラスに起因している可能性が示された。
• 疾患進行段階（早期：89％、中期：93％、後期：94％）における検出率の差は統計的に有意ではなく、進行段階に関係なく一貫した性能を示した。
• 臨床変数の統合により、X線画像を用いた初期COVID-19スクリーニングの臨床的妥当性が確認された。特に、非COVID-19浸潤症例を除外する目的で有効である。
• 統計的評価に基づき、DCVによる次元削減と16×16ピクセルのHoGセルサイズが最適なモデル設定であると判明した。