[논문 리뷰] A Cascaded Learning Strategy for Robust COVID-19 Pneumonia Chest X-Ray Screening

Chun‐Fu Yeh, Hsien-Tzu Cheng외 21명|arXiv (Cornell University)|2020. 04. 24.

COVID-19 diagnosis using AI참고 문헌 8인용 수 36

한 줄 요약

논문은 점진적 학습과 설명 가능한 히트맵을 사용하여 폐 X-레이에서 COVID-19 폐렴을 강인하게 선별하기 위한 세 단계의 연쇄 학습 프레임워크(폐 분할, COVID-19 대 비-COVID-19, COVID-19 대 비-COVID-19)를 제안합니다.

ABSTRACT

We introduce a comprehensive screening platform for the COVID-19 (a.k.a., SARS-CoV-2) pneumonia. The proposed AI-based system works on chest x-ray (CXR) images to predict whether a patient is infected with the COVID-19 disease. Although the recent international joint effort on making the availability of all sorts of open data, the public collection of CXR images is still relatively small for reliably training a deep neural network (DNN) to carry out COVID-19 prediction. To better address such inefficiency, we design a cascaded learning strategy to improve both the sensitivity and the specificity of the resulting DNN classification model. Our approach leverages a large CXR image dataset of non-COVID-19 pneumonia to generalize the original well-trained classification model via a cascaded learning scheme. The resulting screening system is shown to achieve good classification performance on the expanded dataset, including those newly added COVID-19 CXR images.

연구 동기 및 목표

• COVID-19 데이터가 제한된 상황에서도 흉부 X-레이 이미지에서 COVID-19 스크리닝의 강인성을 좌우하는 동기를 부여합니다.
• 기본 분류기를 일반화하기 위해 대규모 오픈 폐렴 데이터셋을 활용합니다.
• 정상/폐렴에서 COVID-19 대 비-COVID-19로의 흐름을 만드는 세 단계의 연쇄 학습 프레임워크를 개발합니다.
• 모델 결정에 대한 해석 가능한 히트맵을 제공하여 임상 수용을 촉진합니다.

제안 방법

• Stage 1: U-Net을 사용하여 폐 마스크를 예측하고 CXR 이미지의 비정보적 영역을 필터링합니다.
• Stage 2: 마스크된 이미지에서 DenseNet-121 폐렴 분류기를 학습시켜 Normal vs Pneumonia를 구분합니다(COVID-19 및 비 COVID-19를 합친 것을 Positive로 간주).
• Stage 3: Stage 2의 출력을 입력 마스킹으로 사용하여 COVID-19 대 비-COVID-19 폐렴 분류기에 대해 세밀한 분류를 수행하고 Grad-CAM/Guided-Grad-CAM 설명을 제공합니다.
• Stage 2에서 새로운 COVID-19 데이터를 통합하되 손실의 지식 증류 항(L_D = (1/|D|) sum CE 손실 + λ sum KL 손실 over D_o)로 원래 데이터에서의 성능을 유지합니다.
• Stage-wise heatmaps (H_i^2 and H_i^3) provide explainable cues by highlighting lung regions and COVID-19-specific patterns, respectively.

실험 결과

연구 질문

• RQ1 제한된 COVID-19 데이터에도 불구하고 체스트 X-레이에서 COVID-19 감지의 민감도와 특이도를 향상시키는 연쇄 학습 전략이 효과적일 수 있는가?
• RQ2 폐 분할 및 점진적 학습을 도입하면 오픈 데이터와 임상 데이터 간의 강인성이 향상되는가?
• RQ3 Stage-wise 히트맵이 COVID-19 예측에 대해 임상적으로 해석 가능한 설명을 가능하게 하는가?
• RQ4 제안된 방법이 오픈 벤치마크 및 임상 데이터에서 기존 COVID-19 X-레이 스크리닝 방법과 비교하여 어떤가?

주요 결과

• 2단계 폐렴 분류기가 폐 분할 마스킹으로 오픈 데이터에서 Normal과 Pneumonia 간의 구분력을 높게 보여줍니다(AUC가 약 97이고 민감도와 특이도가 높음).
• 3단계 COVID-19 분류기는 오픈 데이터로 학습한 후 임상 데이터로 파인튜닝했을 때 강력한 성능을 달성하며(open validation에서 COVID-19에 대해 AUC가 약 99.7에 근접; 여러 설정에서 높은 민감도와 특이도를 보임).
• 임상 데이터(NTUH, TMUH, NHIA)를 도입하면 성능이 향상되고 임상적으로 관련 있는 결과를 도출합니다(예: Stage 3의 오픈+임상 검증에서 AUC가 약 99.7 근처).
• RT-PCR에 비해 COVID-19를 조기 검출하는 능력을 한 사례 연구에서 보여주며 확인까지 며칠 앞당겨 일부 사례를 탐지합니다.
• 오픈 데이터 분할에서 COVID-Net과 비교하면 주요 평가에서 Normal 및 COVID-19 예측에 대해 제안된 방법의 민감도가 더 높습니다.
• 통합 선별 플랫폼이 대만의 NHIA 및 CDC 시스템에 배치되어 NHIA 데이터에서 임상적으로 관련 있는 성능을 보여줍니다.