[論文レビュー] Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection

Jianpeng Zhang, Yutong Xie+9 more|arXiv (Cornell University)|Mar 27, 2020

COVID-19 diagnosis using AI参考文献 53被引用数 132

ひとこと要約

この論文は胸部X線画像におけるウイルス性肺炎検出を1クラスの異常検知問題として再構成し、CAADを導入する。CAADは異常スコアリングと信頼度予測器を組み合わせ、COVID-19のような unseen pathogens を含むウイルス性肺炎のスクリーニング感度を向上させる。

ABSTRACT

Cluster of viral pneumonia occurrences during a short period of time may be a harbinger of an outbreak or pandemic, like SARS, MERS, and recent COVID-19. Rapid and accurate detection of viral pneumonia using chest X-ray can be significantly useful in large-scale screening and epidemic prevention, particularly when other chest imaging modalities are less available. Viral pneumonia often have diverse causes and exhibit notably different visual appearances on X-ray images. The evolution of viruses and the emergence of novel mutated viruses further result in substantial dataset shift, which greatly limits the performance of classification approaches. In this paper, we formulate the task of differentiating viral pneumonia from non-viral pneumonia and healthy controls into an one-class classification-based anomaly detection problem, and thus propose the confidence-aware anomaly detection (CAAD) model, which consists of a shared feature extractor, an anomaly detection module, and a confidence prediction module. If the anomaly score produced by the anomaly detection module is large enough or the confidence score estimated by the confidence prediction module is small enough, we accept the input as an anomaly case (i.e., viral pneumonia). The major advantage of our approach over binary classification is that we avoid modeling individual viral pneumonia classes explicitly and treat all known viral pneumonia cases as anomalies to reinforce the one-class model. The proposed model outperforms binary classification models on the clinical X-VIRAL dataset that contains 5,977 viral pneumonia (no COVID-19) cases, 18,619 non-viral pneumonia cases, and 18,774 healthy controls.

研究の動機と目的

• 胸部X線画像で急速なウイルス性肺炎スクリーニングを動機づけ、アウトブレイク検出と抑制に役立てる。
• データセットシフトと極端なクラス不均衡に対処するために、明示的なマルチクラスのウイルスラベリングを避ける。
• 感度を高めるように強化した信頼度予測器を備えた1クラス異常検知フレームワークを提案する。

提案手法

• EfficientNet-B0 の共有特徴抽出器から異常検出モジュールへ、3x100ニューロンのMLPで異常スコアを出力。
• 基準ガウススコアを用いた対照学習で異常と正常を分離。
• 別個の信頼度予測ネットワークが per-image の信頼度を推定し、確率的異常指標で較正。
• 推論は異常スコア T_ano と信頼度 T_conf の閾値で陽性/陰性を決定。
• ImageNet で事前学習後、エンドツーエンドの三段階学習（異常検知、信頼度予測、結合微調整）。
• 主な方程式には異常スコア phi(x; theta, alpha)、対照損失 L_ano、信頼性の式 prob と g が含まれる。

実験結果

リサーチクエスチョン

• RQ1 ウイルス性肺炎は二値のウイルス性/非ウイルス分類としてではなく異常として効果的に検出できるか？
• RQ2 明示的な信頼度予測モジュールを結合することでスクリーニング感度が向上し、潜在的な失敗を特定できるか？
• RQ3 unseen なウイルス性肺炎ケース（例: COVID-19）への一般化はファインチューニングなしでどの程度可能か？
• RQ4 臨床スクリーニングのための異常スコア閾値と信頼度閾値のトレードオフはどうなるか？

主な発見

モード	特徴抽出器	精度	感度	特異度	AUC
Binary classification	ResNet	78.52	78.28	78.56	86.24
Anomaly detection	ResNet	80.04	84.44	79.34	87.18
Binary classification	EfficientNet	78.71	79.09	78.65	86.30
Anomaly detection	EfficientNet	80.65	85.51	79.87	87.42

• CAAD は X-VIRAL データセットで最先端の AUC を達成（信頼度予測付きで 87.57% ）および特定の信頼度閾値で感度が高い（最大 93.01% まで）。
• Anomaly detection は X-VIRAL データセットで二値分類ベースラインより AUC と感度で上回る（例: EfficientNet-B0: AUC 87.42% 対 87.18% の最良二値モデル）。
• 信頼性学習は失敗予測を改善: 異常確率は正しい予測と誤予測を予測確率より効果的に分離。
• 未知の X-COVID データ（COVID-19 ケースと正常）では CAAD は AUC 83.61%、感度 71.70%、文献の放射線科医に匹敵。
• 初期の訓練時に explicit COVID-19 訓練データなしでも頑健な性能を維持し、アウトブレイスクリーニングの良い一般化を示す。