[論文レビュー] So You Need Datasets for Your COVID-19 Detection Research Using Machine Learning?

Fahimuzzman Sohan|arXiv (Cornell University)|Aug 11, 2020

COVID-19 diagnosis using AI参考文献 7被引用数 10

ひとこと要約

この論文は、2020年1月から6月にかけて発表された96件の研究から、機械学習を用いたCOVID-19検出研究で最も頻繁に使用されたデータセットを収集・分類したものである。主なデータセットとしてCohen JPデータセット、ChestX-ray8、COVID-CTが特定され、データタイプおよび陽性／陰性症例の有無に基づいて分類され、オープンアクセスリンクと参照元を併記することで、今後の研究を加速する。

ABSTRACT

Millions of people are infected by the coronavirus disease 2019 (COVID19) around the world. Machine Learning (ML) techniques are being used for COVID19 detection research from the beginning of the epidemic. This article represents the detailed information on frequently used datasets in COVID19 detection using Machine Learning (ML). We investigated 96 papers on COVID19 detection between January 2020 and June 2020. We extracted the information about used datasets from the articles and represented them here simultaneously. This investigation will help future researchers to find the COVID19 datasets without difficulty.

研究の動機と目的

• 機械学習を用いたCOVID-19検出研究において、新規研究者が関連するデータセットを特定・アクセスする困難さを解消すること。
• 2020年1月から6月にかけて、機械学習を用いたCOVID-19検出研究論文を体系的に収集・分析すること。
• これらの研究で使用されたデータセットに関する情報を抽出・編集し、公開・再利用可能にする。
• COVID-19陽性、陰性、または両方の症例を含む有無に基づいてデータセットを分類すること。
• 研究者が、頻繁に使用されるデータセットを一元的に、オープンアクセスで入手できるリソースとして提供し、データセットの発見にかかる時間と労力を削減すること。

提案手法

• PRISMAフレームワークを用いた体系的文献レビューを実施し、関連する機械学習を用いたCOVID-19検出研究を同定した。
• 2020年1月から6月に発表された論文を検索するため、Google Scholar、PubMed、Elsevier、WHO Databaseの4つの主要データベースを用いた。
• 関連性と方法論的厳密性に基づき、96件の高品質な研究論文を抽出し、データセットの抽出を実施した。
• 各抽出論文から、データセット名、出典、データタイプ、サンプル数、オープンアクセスリンク、関連論文を含む情報を抽出した。
• データセットを3つのグループに分類した：COVID-19陽性症例のみ、非COVID-19症例のみ、両方の症例を含む。
• 詳細な説明、メタデータ、直接アクセスリンクを併記した最終的なデータセットリストを収集・公開し、公共リポジトリ（Figshare）に掲載した。

実験結果

リサーチクエスチョン

• RQ1 2020年1月から6月にかけて、機械学習を用いたCOVID-19検出研究で最も頻繁に使用されたデータセットは何か？
• RQ2 利用可能なデータセットは、COVID-19陽性および陰性症例の有無に基づいてどのように分類されるか？
• RQ3 頻繁に使用されるデータセットのデータタイプ（例：レントゲン、CT、超音波、血液検査）とサンプルサイズは何か？
• RQ4 発表された研究で使用されたデータセットのオープンアクセスソースおよび直接リンクは何か？
• RQ5 研究者は今後のCOVID-19検出研究において、信頼性が高く公開可能なデータセットを効率的に特定・アクセスするにはどうすればよいか？

主な発見

• Cohen JPデータセットが最も頻繁に使用されており、調査対象の96件の研究のうち60件で登場した。
• Chest X-Ray Images Pneumoniaデータセットは26件の研究で使用され、次いでRSNAデータセットが14件の研究で使用された。
• COVID-CTデータセットは13件の研究で引用されており、349例のCOVID-19および463例の非COVID-19CT画像を含み、詳細なメタデータが付随している。
• ChestX-ray8データセットは2011年から2015年までの87,000枚以上の画像を含み、11件の研究で使用された。複数の肺疾患カテゴリが含まれている。
• Qatar-Dhaka COVID-19 DataおよびCOVIDxデータセットは、複数のソースを統合して作成され、KaggleおよびGitHubでオープンアクセス可能である。
• IRCCS血液データセットは、16の臨床的特徴とrRT-PCR結果を含む279件の患者レコードから構成され、Zenodoを介して公開された。