[論文レビュー] Finding Covid-19 from Chest X-rays using Deep Learning on a Small Dataset

Lawrence Hall, Rahul Paul+2 more|arXiv (Cornell University)|Apr 5, 2020

COVID-19 diagnosis using AI被引用数 7

ひとこと要約

本研究では、102例のCOVID-19および102例の非COVID肺炎症例からなる小規模なデータセットを用いて、胸部レントゲン画像からCOVID-19を検出するためのディーブラーニング手法を提案している。事前学習済み畳み込みニューラルネットワークのファインチューニングにより、未観測のCOVID-19症例において100%の感受性を達成し、AUCが0.997に達した。これは、限られたデータと方法論的制限にもかかわらず、高い潜在的性能を示している。

ABSTRACT

Testing for COVID-19 has been unable to keep up with the demand. Further, the false negative rate is projected to be as high as 30% and test results can take some time to obtain. X-ray machines are widely available and provide images for diagnosis quickly. This paper explores how useful chest X-ray images can be in diagnosing COVID-19 disease. We have obtained 122 chest X-rays of COVID-19 and over 4,000 chest X-rays of viral and bacterial pneumonia. A pretrained deep convolutional neural network has been tuned on 102 COVID-19 cases and 102 other pneumonia cases in a 10-fold cross validation. The results were all 102 COVID-19 cases were correctly classified and there were 8 false positives resulting in an AUC of 0.997. On a test set of 20 unseen COVID-19 cases all were correctly classified and more than 95% of 4171 other pneumonia examples were correctly classified. This study has flaws, most critically a lack of information about where in the disease process the COVID-19 cases were and the small data set size. More COVID-19 case images will enable a better answer to the question of how useful chest X-rays can be for diagnosing COVID-19 (so please send them).

研究の動機と目的

• 診断テストが不十分または遅延する状況下で、胸部レントゲン画像を用いたCOVID-19の早期検出の可能性を調査すること。
• COVID-19および非COVID肺炎の胸部レントゲン画像からなる小規模で不均衡なデータセットにおけるディーブラーニングモデルの性能を評価すること。
• 限られた学習データのもとで、事前学習済みCNNを用いたトランスファーラーニングが、高い診断精度を達成できるかどうかを検証すること。
• 未観測のCOVID-19および非COVID肺炎症例における一般化性能を評価すること。

提案手法

• 102例のCOVID-19および102例の非COVID肺炎症例からなる洗練されたデータセットを用いて、事前学習済みディープ畳み込みニューラルネットワークをファインチューニングした。
• モデルの性能を訓練データ上で評価するために10分割交差検証を用いた。
• 別個の20例の未観測のCOVID-19レントゲン画像および4,171例の非COVID肺炎レントゲン画像のテストセットでモデルを評価した。
• COVID-19と他の肺感染症を区別するという特定のタスクに適応させるために、トランスファーラーニングを用いた。
• モデルの評価は、感受性、特異性、受信器操作特性曲線（ROC）下の面積（AUC）に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 小規模な胸部レントゲン画像の数に限定された状況下で、ディーブラーニングモデルがCOVID-19検出において高い診断精度を達成できるか？
• RQ2 COVID-19および非COVID肺炎の小規模で不均衡なデータセットにおいて、トランスファーラーニングはどの程度の性能を示すか？
• RQ3 未観測の実世界のCOVID-19症例および他の肺炎タイプに対して、モデルの一般化性能はいかがなものか？
• RQ4 異なるテストセットにおける誤検出率と感受性は、どのように比較されるか？

主な発見

• 訓練データセットに含まれる102例のCOVID-19症例すべてが正しく分類され、感受性100%を達成した。
• 10分割交差検証において、受信器操作特性曲線（ROC）下の面積（AUC）は0.997に達した。
• 20例の未観測のCOVID-19症例からなるテストセットにおいても、すべてが正しく分類された。外部検証においても高い感受性が確認された。
• 4,171例の非COVID肺炎症例の95%以上が正しく分類された。これは優れた特異性を示している。
• 全テストセットにおいて8例の誤検出（偽陽性）が生じた。これは低くはあったがゼロでない誤検出率を示している。