[論文レビュー] Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning

Tianyang Li, Zhongyi Han+4 more|arXiv (Cornell University)|Apr 27, 2020

COVID-19 diagnosis using AI参考文献 56被引用数 48

ひとこと要約

この論文は、胸部X線写真からCOVID-19スクリーニングのための識別的コスト感受性学習（DCSL）を提案し、条件付きセンターロスとスコアレベルのコスト感受性学習を組み合わせて、細かな分類性能を向上させ、誤診断コストを低減します。3クラスデータセットで97.01%の精度を達成。

ABSTRACT

This paper addresses the new problem of automated screening of coronavirus disease 2019 (COVID-19) based on chest X-rays, which is urgently demanded toward fast stopping the pandemic. However, robust and accurate screening of COVID-19 from chest X-rays is still a globally recognized challenge because of two bottlenecks: 1) imaging features of COVID-19 share some similarities with other pneumonia on chest X-rays, and 2) the misdiagnosis rate of COVID-19 is very high, and the misdiagnosis cost is expensive. While a few pioneering works have made much progress, they underestimate both crucial bottlenecks. In this paper, we report our solution, discriminative cost-sensitive learning (DCSL), which should be the choice if the clinical needs the assisted screening of COVID-19 from chest X-rays. DCSL combines both advantages from fine-grained classification and cost-sensitive learning. Firstly, DCSL develops a conditional center loss that learns deep discriminative representation. Secondly, DCSL establishes score-level cost-sensitive learning that can adaptively enlarge the cost of misclassifying COVID-19 examples into other classes. DCSL is so flexible that it can apply in any deep neural network. We collected a large-scale multi-class dataset comprised of 2,239 chest X-ray examples: 239 examples from confirmed COVID-19 cases, 1,000 examples with confirmed bacterial or viral pneumonia cases, and 1,000 examples of healthy people. Extensive experiments on the three-class classification show that our algorithm remarkably outperforms state-of-the-art algorithms. It achieves an accuracy of 97.01%, a precision of 97%, a sensitivity of 97.09%, and an F1-score of 96.98%. These results endow our algorithm as an efficient tool for the fast large-scale screening of COVID-19.

研究の動機と目的

• COVID-19を他の肺炎および健常なX線と区別する際の3クラス設定の課題に対処すること。
• COVID-19リスクを強調し誤診断コストを低減する、識別的でコスト感受性のあるフレームワークを開発すること。
• 細粒度表現学習とクラス意識コストを活用してスクリーニング性能を向上させること。

提案手法

• 条件付きセンターロスを導入して、COVID-19の細粒度分類に対してクラスバランスの取れた識別的表現を学習する。
• モデル出力後にドメイン情報に基づくコストマトリクスを適用して、適切な場合にCOVID-19に予測を偏らせるスコアレベルのコスト感受性学習を提案する。
• 2つのモジュールをEnd-to-End最適化で統合し、Discriminative Cost-Sensitive Learning（DCSL）フレームワークとして用いる。
• COVID-19が239例、1,000例の細菌/ウイルス性肺炎、1,000例の健常画像からなるマルチセンター胸部X線データセットで評価する。
• バックボーンとしてVGG16を使用し、ImageNetからの転移学習、データ拡張、5分割クロスバリデーションを採用する。

実験結果

リサーチクエスチョン

• RQ1 細粒度かつコスト感受性のアプローチは、標準の損失関数よりも胸部X線からのCOVID-19スクリーニングを改善できるか。
• RQ2 センターロスにクラス条件情報とドメイン情報に基づくスコアレベルのコストマトリクスを組み込むことで、COVID-19の誤分類を減らせるか。
• RQ3 DCSLは3クラスの胸部X線タスクにおいて、確立されたCNNアーキテクチャやCOVID特化モデルと比較してどのように性能を発揮するか。

主な発見

Method	Accuracy	Precision	Sensitivity	F1-score
VGG19	0.9196	0.9238	0.9196	0.9200
Inceptionv3	0.9107	0.9113	0.9107	0.9105
ResNet50	0.9107	0.9135	0.9107	0.9104
COVID-Net	0.9330	0.9339	0.9330	0.9332
DCSL (Ours)	0.9701	0.9700	0.9709	0.9698

• DCSLは3クラスタスクで97.01%の精度、97.00%の適合率、97.09%の感度、96.98%のF1スコアを達成。
• DCSLはCOVID-Netおよび他のベースラインを、報告された全指標で上回る。
• アブレーション研究は、条件付きセンターロスとスコアレベルのコスト感受性学習が性能向上に実質的に寄与することを示す。
• 3クラス設定（COVID-19、健常、その他の肺炎）は、提案手法とともに高い識別性を示す。