[論文レビュー] POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection

Tomasz Szczepański, Arkadiusz Sitek+2 more|arXiv (Cornell University)|Jan 23, 2022

COVID-19 diagnosis using AI参考文献 26被引用数 2

ひとこと要約

POTHERは、肺領域に限定してパッチをサンプリングし、ECGリードや側面マーカーなどの混同要因への依存を低減するため、注意メカニズムを用いた肺分離を組み込んだマルチタスク・パッチ投票型ディーブラーニングフレームワークを提案する。この手法は、COVID-19分類においてF1スコア0.974を達成し、説明可能なAI分析を通じてバイアスへのロバスト性を示した。

ABSTRACT

A critical step in the fight against COVID-19, which continues to have a catastrophic impact on peoples lives, is the effective screening of patients presented in the clinics with severe COVID-19 symptoms. Chest radiography is one of the promising screening approaches. Many studies reported detecting COVID-19 in chest X-rays accurately using deep learning. A serious limitation of many published approaches is insufficient attention paid to explaining decisions made by deep learning models. Using explainable artificial intelligence methods, we demonstrate that model decisions may rely on confounding factors rather than medical pathology. After an analysis of potential confounding factors found on chest X-ray images, we propose a novel method to minimise their negative impact. We show that our proposed method is more robust than previous attempts to counter confounding factors such as ECG leads in chest X-rays that often influence model classification decisions. In addition to being robust, our method achieves results comparable to the state-of-the-art. The source code and pre-trained weights are publicly available at (https://github.com/tomek1911/POTHER).

研究の動機と目的

• 胸部X線画像からのCOVID-19検出のためのディーブラーニングモデルにおける混同バイアス（ECGリード、側面マーカー、病院固有のマークなど）の深刻な問題に対処すること。
• 非病理的特徴への依存を最小限に抑えつつ、高い診断性能を維持するロバストで説明可能なAI手法を開発すること。
• 肺に隣接するパッチに焦点を当てることで、分類とセグメンテーションを統合したマルチタスク学習フレームワークを用いて、モデルの一般化性能を向上させること。

提案手法

• 生のCXR画像から肺領域の擬似セグメンテーションマスクを生成するために、アテンション機構を備えたU-Netベースのエンコーダデコーダネットワークを用いる。
• パッチは肺領域およびその直近周辺に限定して切り出し、ECGリードや側面マーカーなどの混同アーティファクトへの露出を低減する。
• 肺セグメンテーションとパッチレベル分類を同時に最適化するマルチタスク学習設定により、特徴表現を強化する。
• パッチレベルの予測を多数決投票によって集約し、最終的な画像レベル分類を出力する。
• アノテーションマップやGradCAMを含む説明可能なAI技術を用いて、注目度を可視化し、モデルの意思決定を検証する。
• セグメンテーション出力を精緻化し、関連する領域のみがパッチ抽出に寄与するようにするため、マスクフィルタリングアルゴリズムを適用する。

実験結果

リサーチクエスチョン

• RQ1 CXRにおけるCOVID-19検出のためのディーブラーニングモデルは、実際の病理的特徴ではなく、ECGリードや側面マーカーなどの混同バイアスにどれほど依存しているのか。
• RQ2 パッチ投票型マルチタスク学習アプローチは、COVIDxデータセットにおける既知の混同要因に対するモデル感受性を低減できるか。
• RQ3 パッチ抽出を肺に隣接する領域に限定することで、グローバル特徴ベースの手法と比較して、モデルのロバスト性と性能にどのような影響を与えるか。
• RQ4 訓練データが肺断片に限定される状況でも、アテンションベースのセグメンテーションは特徴抽出と分類精度を向上させられるか。
• RQ5 提案手法は、CXR画像内の非医療的アーティファクトへの依存を低減しつつ、高い性能を維持できるか。

主な発見

• POTHERはCOVIDxテストセットにおいてCOVID-19クラスのF1スコア0.974を達成し、他のモデルと同等の精度を示しながらもF1スコアで優れている。
• 活性化マップ分析により、ECGリードや側面マーカー（例：'L'や'R'ラベル）などの混同バイアスへの感受性が顕著に低減されていることが確認された。
• アテンション強化セグメンテーションと局所的パッチサンプリングの組み合わせにより、グローバル特徴ベースのモデルと比較して著しくロバスト性が向上した。
• COVID-19クラスの精度は1.000、再現率は0.950を達成し、検出の信頼性と包括性が非常に高いことが示された。
• 説明可能なAI分析から、モデルの注目は無関係なマーカーやアーティファクトではなく、主に肺領域と病理的パターンに集中していることが明らかになった。
• ソースコードと事前学習済み重みは https://github.com/tomek1911/POTHER で公開されており、再現性とさらなる研究を支援している。