[論文レビュー] Potential Features of ICU Admission in X-ray Images of COVID-19 Patients

Gomes Dps, Anwaar Ulhaq+6 more|arXiv (Cornell University)|Sep 26, 2020

COVID-19 diagnosis using AI参考文献 46被引用数 4

ひとこと要約

本論文では、限られたラベル付きデータでも動作する深層学習ベースの特徴抽出パイプラインに続く低複雑性の解釈可能なモデルを用いて、COVID-19患者のICU入室と相関する予測可能な意味的特徴をレントゲン画像から同定する手法を提案する。このアプローチにより、重症度の結果に最も大きな分散を説明する少数の肺領域特徴が特定され、限られたラベル付きデータでも統計的分離性と解釈可能性を示している。

ABSTRACT

X-ray images may present non-trivial features with predictive information of patients that develop severe symptoms of COVID-19. If true, this hypothesis may have practical value in allocating resources to particular patients while using a relatively inexpensive imaging technique. The difficulty of testing such a hypothesis comes from the need for large sets of labelled data, which need to be well-annotated and should contemplate the post-imaging severity outcome. This paper presents an original methodology for extracting semantic features that correlate to severity from a data set with patient ICU admission labels through interpretable models. The methodology employs a neural network trained to recognise lung pathologies to extract the semantic features, which are then analysed with low-complexity models to limit overfitting while increasing interpretability. This analysis points out that only a few features explain most of the variance between patients that developed severe symptoms. When applied to an unrelated larger data set with pathology-related clinical notes, the method has shown to be capable of selecting images for the learned features, which could translate some information about their common locations in the lung. Besides attesting separability on patients that eventually develop severe symptoms, the proposed methods represent a statistical approach highlighting the importance of features related to ICU admission that may have been only qualitatively reported. While handling limited data sets, notable methodological aspects are adopted, such as presenting a state-of-the-art lung segmentation network and the use of low-complexity models to avoid overfitting. The code for methodology and experiments is also available.

研究の動機と目的

• COVID-19患者の胸部レントゲン画像に内在する、その後のICU入室を予測する放射線的特徴を同定すること。
• 限られた、正確にアノテートされたデータセットでも動作する、深層学習を用いた意味的特徴抽出手法を開発すること。
• 最先端の肺領域セグメンテーションネットワークと低複雑性の統計モデルを組み合わせることで、過学習を低減し、モデルの解釈性を向上させること。
• 臨床的ノートを含む関連しないデータセットを用いて、特徴選択の汎用性を検証することで、手法の一般化能力を検証すること。
• 臨床的に観察される肺への病変のパターンと疾患の重症度の関連を定量的に支持する統計的フレームワークを提供すること。

提案手法

• 肺疾患認識のため事前学習された深層ニューラルネットワークを用いて、レントゲン画像から高レベルの意味的特徴を抽出する。
• 最先端の肺領域セグメンテーションネットワークを用いて肺領域を分離し、特徴の関連性を高め、ノイズを低減する。
• 過学習を抑制し、解釈性を向上させるために、抽出された特徴を低複雑性のモデル（例：線形モデルや決定木）で分析する。
• 統計的分析により特徴の重要度を評価し、ICU入室結果と最も強く相関する領域やパターンを同定する。
• 臨床的ノートを含む第二の関連しないデータセットを用いて、学習した特徴と一致する画像を検索できるかを検証することで、手法の有効性を検証する。
• 全手法と実験用コードを公開し、再現性とさらなる研究を支援する。

実験結果

リサーチクエスチョン

• RQ1 胸部レントゲン画像におけるどの意味的特徴が、COVID-19患者のICU入室を最も予測可能か？
• RQ2 深層特徴抽出と低複雑性モデルの組み合わせは、限られたラベル付きデータにおいて重症度関連パターンを効果的に同定できるか？
• RQ3 同定された特徴は、外部データセットの臨床的ノートが示唆する anatomically plausible な肺領域に対応しているか？
• RQ4 少数の主要な特徴が、ICU入室結果の分散をどの程度説明できるか？
• RQ5 この手法は関連しないデータセットにも一般化可能であり、学習された特徴の堅牢性と転送可能性を示しているか？

主な発見

• ICUに入室した患者と入室しなかった患者の間で、大部分の分散を説明するにはわずかな数の意味的特徴で十分であることが判明した。
• 本手法により、臨床的ノートが関連する画像データセットから抽出された画像に存在する特徴が、特定の肺領域に対応していることが妥当性の確認がされた。
• 低複雑性のモデルを用いることで、限られたデータでも過学習が顕著に低減され、予測性能は維持された。
• 提案手法により、重症症状を発症した患者と発症しなかった患者の間で統計的分離性が示され、レントゲン画像特徴が予測情報を含んでいるという仮説が裏付けられた。
• 関連しないデータセットに対しても手法が一般化され、学習した特徴と一致する画像を効果的に検索できることを確認した。これは、同定されたパターンの臨床的関連性を示唆している。
• 公開されたコードとモデルにより、限られたデータ環境下での医療画像分野における解釈可能なAIの再現性とさらなる開発が可能になった。