[論文レビュー] UMLS-ChestNet: A deep convolutional neural network for radiological findings, differential diagnoses and localizations of COVID-19 in chest x-rays

Germán González, Aurelia Bustos+8 more|arXiv (Cornell University)|Jun 6, 2020

COVID-19 diagnosis using AI参考文献 2被引用数 4

ひとこと要約

UMLS-ChestNet は、階層的な UMLS 分類法を用いて、チークX線画像において189の放射線所見、22の鑑別診断、122の解剖学的部位を検出・局在化する深層畳み込みニューラルネットワークである。92,594枚および2,065枚のCOVID-19陽性画像で学習された本モデルは、COVID-19診断においてAUC 0.94を達成し、注視マップによる解釈可能性と、レポートに記載のない所見の検出を実現している。

ABSTRACT

In this work we present a method for the detection of radiological findings, their location and differential diagnoses from chest x-rays. Unlike prior works that focus on the detection of few pathologies, we use a hierarchical taxonomy mapped to the Unified Medical Language System (UMLS) terminology to identify 189 radiological findings, 22 differential diagnosis and 122 anatomic locations, including ground glass opacities, infiltrates, consolidations and other radiological findings compatible with COVID-19. We train the system on one large database of 92,594 frontal chest x-rays (AP or PA, standing, supine or decubitus) and a second database of 2,065 frontal images of COVID-19 patients identified by at least one positive Polymerase Chain Reaction (PCR) test. The reference labels are obtained through natural language processing of the radiological reports. On 23,159 test images, the proposed neural network obtains an AUC of 0.94 for the diagnosis of COVID-19. To our knowledge, this work uses the largest chest x-ray dataset of COVID-19 positive cases to date and is the first one to use a hierarchical labeling schema and to provide interpretability of the results, not only by using network attention methods, but also by indicating the radiological findings that have led to the diagnosis.

研究の動機と目的

• 単なる分類を超えて、チークX線画像における複数の放射線所見、鑑別診断、解剖学的局在化を検出できる深層学習モデルの開発を目的とする。
• グラウンドグラス混濁や実質化といった、COVID-19の主要な兆候である病変の早期検出と局在化の臨床的ニーズに対応すること。
• 最終診断だけでなく、予測に寄与する具体的な放射線所見を特定することで、診断の解釈可能性を向上させること。
• 放射線レポートから抽出されたUMLSマップ済みラベルを有する、92,594枚の前向きチークX線と2,065例のPCR確認済みCOVID-19症例からなる大規模で多様なデータセットを活用すること。
• 標準化された医学用語を用いた階層的ラベリングを支援する包括的かつ拡張可能なフレームワークを提供し、チークX線解析のスケーラビリティと拡張性を高めること。

提案手法

• 本モデルは、189の放射線所見、22の鑑別診断、122の解剖学的部位を統合医療言語システム（UMLS）語彙にマッピングした階層的マルチラベル分類アプローチを採用している。
• ラベルは自然言語処理（NLP）を用いて放射線レポートから抽出され、多様な臨床的レポート間で一貫性と標準化されたアノテーションを実現している。
• 深層畳み込みニューラルネットワーク（CNN）は、大規模な一般チークX線データベース（92,594枚）と、PCR確認済み症例を含む専用のCOVID-19データセット（2,065枚）の2つのデータセットで学習されている。
• 注視メカニズムを採用することで、X線画像内の注目領域を強調し、予測に寄与した領域を可視化することで解釈可能性を提供している。
• UMLS語彙の階層的構造により、広範な解剖学的・病理学的カテゴリーと詳細なカテゴリーの両方から学習できる。
• レポートに明示的に記載のない場合でも、病変を検出できるように設計されており、微細または初期段階の疾患パターンの感度を向上させている。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、グラウンドグラス混濁や実質化といったCOVID-19関連の所見を含め、複数の放射線所見を高精度で検出・局在化できるか？
• RQ2 階層的なUMLSベースのラベリングスキーマは、チークX線解析モデルの解釈可能性と臨床的妥当性をどの程度向上させられるか？
• RQ3 大規模で多様なチークX線データセットで学習されたモデルは、放射線レポートに明示的に記載のない微細または初期段階の所見を検出できるか？
• RQ4 放射線レポートから抽出されたNLPベースのラベルの統合は、モデルのトレーニングと評価における一貫性と標準化をどの程度向上させるか？
• RQ5 本モデルのCOVID-19診断性能は、既存の手法と比較してどの程度か、特にAUCと臨床的に重要な所見の検出という観点から評価できるか？

主な発見

• UMLS-ChestNet は、23,159枚の画像からなるテストセットにおいて、COVID-19診断でAUC 0.94を達成し、高い診断性能を示している。
• 本モデルは、元の放射線レポートに記載のないが、COVID-19と関連する臨床的意義のある所見（例：グラウンドグラス混濁、実質化）を検出している。
• 階層的なUMLSベースのラベリングシステムにより、189の異なる放射線所見、22の鑑別診断、122の解剖学的部位を、複数の解剖学的領域にわたり高い正確性と再現率で検出可能である。
• 注視マップにより、病変の位置を可視化することで、臨床的意思決定支援とモデルの透明性を高めている。
• 本モデルは、これまでで最大の公開利用可能なPCR確認済みCOVID-19チークX線データセット（2,065例の陽性例）を用いて学習されている。
• 本システムは、多様な解剖学的領域で強固な性能を示しており、特に周辺部（AUC 0.93）、広範な両側性（AUC 0.91）、および胸膜下部（AUC 0.86）の領域で高いAUC値を示している。