[論文レビュー] Efficient Multi-objective Evolutionary 3D Neural Architecture Search for COVID-19 Detection with Chest CT Scans

Xin He, Shihao Wang+3 more|arXiv (Cornell University)|Jan 26, 2021

COVID-19 diagnosis using AI参考文献 48被引用数 5

ひとこと要約

本稿では、コロナウイルス感染症の診断を目的とした、コントラストCTスキャンを用いた効率的な多目的進化的3次元ニューラルアーキテクチャ探索フレームワークであるEMARSを提案する。重み共有と新規の「ポテンシャル」目的関数を活用することで、わずか8時間で軽量で高精度なモデルを探索可能であり、3.39 MBのモデルを生成した。このモデルは、ResNet3D101 や DenseNet3D121 といったより大きな人為的設計モデルを凌駕する性能を示すとともに、クラス活性化マッピングによる解釈可能性を実現する。

ABSTRACT

COVID-19 pandemic has spread globally for months. Due to its long incubation period and high testing cost, there is no clue showing its spread speed is slowing down, and hence a faster testing method is in dire need. This paper proposes an efficient Evolutionary Multi-objective neural ARchitecture Search (EMARS) framework, which can automatically search for 3D neural architectures based on a well-designed search space for COVID-19 chest CT scan classification. Within the framework, we use weight sharing strategy to significantly improve the search efficiency and finish the search process in 8 hours. We also propose a new objective, namely potential, which is of benefit to improve the search process's robustness. With the objectives of accuracy, potential, and model size, we find a lightweight model (3.39 MB), which outperforms three baseline human-designed models, i.e., ResNet3D101 (325.21 MB), DenseNet3D121 (43.06 MB), and MC3\_18 (43.84 MB). Besides, our well-designed search space enables the class activation mapping algorithm to be easily embedded into all searched models, which can provide the interpretability for medical diagnosis by visualizing the judgment based on the models to locate the lesion areas.

研究の動機と目的

• 長期間の潜伏期間と高い検査コストが課題であるため、より迅速かつコスト効率の良いCOVID-19検出手法の開発が急務である。
• 胸部CTスキャン分類のための効率的な3次元ニューラルアーキテクチャの自動設計を実現し、人的なアーキテクチャ設計への依存を低減する。
• 新規の目的関数「ポテンシャル」を導入した多目的最適化フレームワークにより、探索の効率性とロバスト性を向上させる。
• すべての探索済みモデルにクラス活性化マッピングを組み込むことで、医療診断における解釈可能性を確保する。
• 従来の人為的設計アーキテクチャを上回るサイズと性能を兼ね備えた軽量で高精度なモデルを発見する。

提案手法

• 胸部CTスキャンに最適化されたカスタム3次元ニューラルアーキテクチャ探索空間を設計し、効率的なモデル探索と解釈可能性を両立させる。
• 計算コストを著しく削減するための重み共有戦略を実装し、全探索プロセスを8時間で完了可能にする。
• 多目的探索プロセスのロバスト性を向上させるために、新規の目的関数「ポテンシャル」を導入する。
• モデルの精度、ポテンシャル、モデルサイズという3つの目的を同時に最適化することで、性能と効率のバランスを図る。
• すべての探索済みアーキテクチャにクラス活性化マッピング（CAM）を統合し、病変領域の可視化を可能にし、医療診断における解釈可能性を支援する。
• 進化的な多目的最適化を用いて探索空間を探索し、パレート最適なアーキテクチャを同定する。

実験結果

リサーチクエスチョン

• RQ1 自動化された3次元ニューラルアーキテクチャ探索フレームワークは、モデルサイズを小さく保ちながらも、胸部CTスキャンからのCOVID-19検出において高い精度を達成できるか？
• RQ2 提案された「ポテンシャル」目的関数は、多目的探索プロセスの安定性と効率性をどのように向上させるか？
• RQ3 この探索フレームワークは、ResNet3D101 や DenseNet3D121 といった既存の人為的設計モデルよりも小型かつ高精度なモデルを生成できるか？
• RQ4 クラス活性化マッピングを用いて、自動的に探索されたモデルに対しても解釈可能性をどの程度維持・統合できるか？
• RQ5 重み共有と多目的最適化を用いることで、実用的な時間枠（例：8時間）内で包括的な3次元アーキテクチャ探索を完了することは可能か？

主な発見

• EMARSフレームワークは、3次元ニューラルアーキテクチャ探索をわずか8時間で完了し、従来手法に比べて顕著に効率性が向上した。
• 探索されたモデルは3.39 MBという非常にコンactなサイズであり、ResNet3D101（325.21 MB）、DenseNet3D121（43.06 MB）、MC3_18（43.84 MB）と比較して顕著に小さい。
• 提案されたモデルは、3つの人為的設計ベースラインすべてを分類精度において上回り、その小型さにもかかわらず優れた性能を示した。
• すべての探索済みモデルにクラス活性化マッピングを統合することで、病変領域の可視化が可能となり、臨床診断における解釈可能性が向上した。
• 「ポテンシャル」目的関数の導入により、多目的探索プロセスの安定性とロバスト性が向上した。
• 適切に設計された探索空間は、高い探索効率と、発見されたすべてのアーキテクチャに解釈可能性技術をシームレスに統合することを可能にした。