[論文レビュー] Hypergraph Learning for Identification of COVID-19 with CT Imaging

Donglin Di, Feng Shi+13 more|arXiv (Cornell University)|May 7, 2020

COVID-19 diagnosis using AI参考文献 29被引用数 12

ひとこと要約

本稿では、胸部CT画像を用いたCOVID-19の同定を向上させるために、不確実性を考慮した頂点重み付きハイパーグラフ学習（UVHL）を提案する。多様な特徴量（領域的特徴量とレオマティクス特徴量）をハイパーグラフ構造でモデル化し、データの不確実性に基づいて頂点に重みを付けることで、ノイズの影響を低減し、意思決定境界付近の分類性能を向上させた。3,330例の多施設データセットにおいて90%の正確性を達成した。

ABSTRACT

The coronavirus disease, named COVID-19, has become the largest global public health crisis since it started in early 2020. CT imaging has been used as a complementary tool to assist early screening, especially for the rapid identification of COVID-19 cases from community acquired pneumonia (CAP) cases. The main challenge in early screening is how to model the confusing cases in the COVID-19 and CAP groups, with very similar clinical manifestations and imaging features. To tackle this challenge, we propose an Uncertainty Vertex-weighted Hypergraph Learning (UVHL) method to identify COVID-19 from CAP using CT images. In particular, multiple types of features (including regional features and radiomics features) are first extracted from CT image for each case. Then, the relationship among different cases is formulated by a hypergraph structure, with each case represented as a vertex in the hypergraph. The uncertainty of each vertex is further computed with an uncertainty score measurement and used as a weight in the hypergraph. Finally, a learning process of the vertex-weighted hypergraph is used to predict whether a new testing case belongs to COVID-19 or not. Experiments on a large multi-center pneumonia dataset, consisting of 2,148 COVID-19 cases and 1,182 CAP cases from five hospitals, are conducted to evaluate the performance of the proposed method. Results demonstrate the effectiveness and robustness of our proposed method on the identification of COVID-19 in comparison to state-of-the-art methods.

研究の動機と目的

• 臨床的および放射線的特徴が極めて類似しているため、初期段階のCT画像でCOVID-19とCAPを区別する課題に対処すること。
• 変動する再構成カーネルや患者の動きに起因する緊急時条件下で収集されたノイズの多いCTデータの悪影響を低減すること。
• 複雑なデータ相関を捉えるハイパーグラフ構造を用いて、COVID-19およびCAP症例間の高次関係をモデル化すること。
• アレアトリック（データノイズ）およびエピステミック（モデルの不確実性）の両方の不確実性を頂点重み付けに組み込むことで、より信頼性の高い予測を実現し、分類のロバスト性を向上させること。
• 新興感染症の文脈において一般的な限られたラベル付きデータの状況下で、UVHLの性能を評価すること。

提案手法

• 各CTスキャンから領域的特徴量とレオマティクス特徴量を抽出し、多変数特徴空間に個々の患者を表現する。
• 各患者を頂点とし、複数の頂点を接続するハイパーエッジによって症例間の高次関係をモデル化するハイパーグラフ構造を構築する。
• データノイズ（アレアトリック不確実性）とモデルの不確実性（エピステミック不確実性）の両方を用いて、各頂点の不確実性スコアを計算し、データの信頼性を定量化する。
• 不確実性スコアに基づいて頂点に重みを付与し、低品質または曖昧な症例の学習への影響を低減する。
• 重み付きハイパーグラフを用いた学習フレームワークにより、重みのついたハイパーグラフを通じてラベルを伝搬させ、意思決定境界付近の不確実性があるが情報価値の高いノードに注目を向けることで分類を実行する。
• マルチモーダル特徴量統合をサポートし、領域的特徴量とレオマティクス特徴量を統合することで、全体の性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ハイパーグラフベースの学習フレームワークは、CT画像におけるCOVID-19およびCAP症例間の複雑で高次な関係を効果的にモデル化できるか？
• RQ2 アレアトリックおよびエピステミック両方の不確実性スコアを組み込むことで、ノイズや低品質なCTデータが存在する状況下でも分類のロバスト性が向上するか？
• RQ3 提案手法UVHLは、多施設CTデータを用いたCOVID-19とCAPの区別において、最先端の手法と比較してどのように性能を発揮するか？
• RQ4 異なる特徴量タイプ（領域的 vs. レオマティクス）の貢献度は何か？また、それらの組み合わせが結果に与える影響は？
• RQ5 新興感染症の状況において一般的な限られたラベル付きデータの下で、UVHL手法はどれほど一般化性能を発揮するか？

主な発見

• 提案されたUVHL手法は、2,148例のCOVID-19および1,182例のCAPを含む多施設データセットにおいて、COVID-19とCAPを区別する分類で90%の正確性を達成した。
• アレアトリックおよびエピステミック両方の不確実性を併用した場合が最良の性能を示し、一方の不確実性タイプのみを用いるか、不確実性重み付けを行わない手法を上回った。
• 領域的特徴量とレオマティクス特徴量の両方を用いた手法が、最高の感度（93.27%）と特異度（84.00%）を達成し、多様な特徴量統合の利点を示した。
• UVHLは、極めて限られたラベル付きデータ（1クラスあたり10～100例）の状況でも安定した性能を示し、SVMや他のベースライン手法よりも低データ環境下で優れた性能を発揮した。
• 不確実性推定にMLPを用いた手法がSVMを上回ったことから、このタスクにおいて深層学習ベースの不確実性推定がより効果的であることが示された。
• 不確実性があるか低品質な症例を低減重み付けすることで、ノイズの多いデータに対するロバスト性を示し、実臨床環境における一般化性能の向上に寄与した。