[論文レビュー] Fast and accurate detection of Covid-19-related pneumonia from chest X-ray images with novel deep learning model

M. M. Ramadhan, A. Faza+11 more|arXiv (Cornell University)|May 10, 2020

COVID-19 diagnosis using AI被引用数 8

ひとこと要約

本論文では、CXR画像からCOVID-19関連肺炎を高速かつ正確に検出するための新しい深層学習モデル、CovIDNetを提案する。GitHubおよびKaggleのオープンソースCXRデータセットを用いて訓練されたモデルは、98.44%の正確性、COVID-19の100%の精度、96.97%の特異性を達成し、他の肺疾患と区別する分類において優れた性能を示している。

ABSTRACT

Background: Novel coronavirus disease has spread rapidly worldwide. As recent radiological literatures on Covid-19 related pneumonia is primarily focused on CT findings, the American College of Radiology (ACR) recommends using portable chest X-radiograph (CXR). A tool to assist for detection and monitoring of Covid-19 cases from CXR is highly required. Purpose: To develop a fully automatic framework to detect Covid-19 related pneumonia using CXR images and evaluate its performance. Materials and Methods: In this study, a novel deep learning model, named CovIDNet (Covid-19 Indonesia Neural-Network), was developed to extract visual features from chest x-ray images for the detection of Covid-19 related pneumonia. The model was trained and validated by chest x-rays datasets collected from several open source provided by GitHub and Kaggle. Results and Discussion: In the validation stage using open-source data, the accuracy to recognize Covid-19 and others classes reaches 98.44%, that is, 100% Covid-19 precision and 97% others precision. Discussion: The use of the model to classify Covid-19 and other pathologies might slightly decrease the accuracy. Although SoftMax was used to handle classification bias, this indicates the benefit of additional training upon the introduction of new set of data. Conclusion: The model has been tested and get 98.4% accuracy for open source datasets, the sensitivity and specificity are 100% and 96.97%, respectively.

研究の動機と目的

• ポータブルの胸部X線（CXR）画像からCOVID-19関連肺炎を完全に自動で検出するための深層学習フレームワークの開発を目的とする。
• 特にCTベースの診断の制限を考慮すると、パンデミック期における迅速でアクセス可能な診断ツールの臨床的ニーズに対応することを目的とする。
• 広く利用可能なCXR画像診断を活用して、前線の医療従事者の診断の正確性と迅速性を向上させることを目的とする。
• 多様な病理状態を含むオープンソースCXRデータセットを用いて、モデルの性能を評価することを目的とする。

提案手法

• CXR画像からの視覚的特徴を抽出するため、CovIDNet（Covid-19 Indonesia Neural-Network）と名付けられた新しい深層学習モデルを開発した。
• モデルは、GitHubおよびKaggleのオープンソースリポジトリから収集した胸部X線データセットを用いて訓練および検証した。
• 畳み込みニューラルネットワークアーキテクチャを用いて、CXR画像分析に最適化された特徴抽出と分類を実施した。
• クラス不均衡の是正と分類の公平性向上のため、トレーニング中にSoftMaxが採用された。
• 標準的な指標（正確性、精度、感度、特異性）を用いてモデルの評価が行われた。
• 性能は、COVID-19または他の肺疾患とラベル付けされた画像を含む検証セットを用いてテストされた。

実験結果

リサーチクエスチョン

• RQ1 CXR画像のみを用いて、深層学習モデルはCOVID-19関連肺炎を他の肺疾患と高精度で区別できるか？
• RQ2 多様なCXRデータセットにおいて、COVID-19を検出する際、モデルの感度と特異性はどの程度の水準にあるか？
• RQ3 トレーニングデータにおけるクラス不均衡は、モデルの分類性能にどの程度の影響を及えるか？
• RQ4 オープンソースCXRコレクションに存在する異なるデータソースや画像変動に対し、モデルは一般化できるか？
• RQ5 稀な疾患（例：COVID-19）の分類において、SoftMax損失の使用がバイアスの低減にどのように寄与するか？

主な発見

• モデルは、オープンソースデータセットにおいて、COVID-19および非COVID-19症例の分類で98.44%の正確性を達成した。
• COVID-19の検出感度は100%であり、検証セットで偽陰性が一切なかったことを示している。
• 特異度は96.97%であり、非COVID-19症例の96.97%が正しく同定されたことを意味する。
• COVID-19クラスの精度は100%に達し、すべての陽性予測が正しかったことを示している。
• 「その他の」病理状態クラスの精度は97%と高く、COVID-19以外の状態に対しても優れた一般化性能を示している。
• 本研究では、新しいデータを導入する際には追加のファインチューニングが必要になる可能性があると示唆している。