[논문 리뷰] A Comparative Study on Early Detection of COVID-19 from Chest X-Ray Images

Mete Ahishali, Aysen Degerli외 7명|arXiv (Cornell University)|2020. 06. 07.

COVID-19 diagnosis using AI인용 수 19

한 줄 요약

이 연구는 흉부 X선 영상에서 코로나19의 조기 진단을 위한 최신 기계학습 기법을 평가하며, 새로운 컴act 분류기인 컨volution 알 지원 추정자 네트워크(CSEN)를 제안하고, 조기-Q아타-코비19 벤치마크 데이터셋을 도입한다. CSEN은 98.5% 이상의 민감도와 96% 이상의 특이도를 달성하였고, 보정된 CheXNet는 조기 단계 환자에서 97.14%의 민감도와 99.49%의 특이도를 기록하였다.

ABSTRACT

Coronavirus disease 2019 (COVID-19) has rapidly become a global health concern after its first known detection in December 2019. As a result, accurate and reliable advance warning system for the early diagnosis of COVID-19 has now become a priority. The detection of COVID-19 in early stages is not a straightforward task from chest X-ray images according to expert medical doctors because the traces of the infection are visible only when the disease has progressed to a moderate or severe stage. In this study, our first aim is to evaluate the ability of recent state-of-the-art Machine Learning techniques for the early detection of COVID-19 from chest X-ray images. Both compact classifiers and deep learning approaches are considered in this study. Furthermore, we propose a recent compact classifier, Convolutional Support Estimator Network (CSEN) approach for this purpose since it is well-suited for a scarce-data classification task. Finally, this study introduces a new benchmark dataset called Early-QaTa-COV19, which consists of 175 early-stage COVID-19 Pneumonia samples (very limited or no infection signs) labelled by the medical doctors and 1579 samples for control (normal) class. A detailed set of experiments shows that the CSEN achieves the top (over 98.5%) sensitivity with over 96% specificity. Moreover, transfer learning over the deep CheXNet fine-tuned with the augmented data produces the leading performance among other deep networks with 97.14% sensitivity and 99.49% specificity.

연구 동기 및 목표

• 영상에서 방사선학적 징후가 종종 미약하거나 없을 수 있는 조기 단계 코로나19 진단의 과제를 해결하기 위해.
• 조기 단계 코로나19 진단에서 컴팩트 분류기와 딥 러닝 모델의 성능을 평가하기 위해.
• 저자료, 조기 단계 분류 작업에 특화된 새로운 컴팩트 분류기인 컨볼루션 알 지원 추정자 네트워크(CSEN)를 제안하기 위해.
• 의료 전문가가 라벨링한 175건의 조기 단계 코로나19 및 1,579건의 정상 X선 영상으로 구성된 새로운 벤치마크 데이터셋인 Early-QaTa-COV19를 도입하기 위해.
• 전이 학습과 데이터 증강을 포함한 최신 기술을 활용해 조기 진단의 성능 기준을 설정하기 위해.

제안 방법

• 이 연구는 자료 부족 상황에서 효율적이고 정확한 분류를 위해 설계된 새로운 컴팩트 딥 러닝 모델인 컨볼루션 알 지원 추정자 네트워크(CSEN)를 활용한다.
• CSEN은 컨볼루션 계층을 통해 특징을 추출하고, 저자료 환경에서 결정 경계를 향상시키기 위해 지원 추정 모듈을 활용한다.
• 전이 학습은 데이터 증강 기법을 사용해 보정된 CheXNet를 통해 적용되어 Early-QaTa-COV19 데이터셋에서의 성능을 향상시켰다.
• Early-QaTa-COV19 데이터셋은 175건의 조기 단계 코로나19 X선 영상(최소한의 징후 또는 징후 없음)과 1,579건의 정상 X선 영상으로 구성되었으며, 모두 방사선의사에 의해 검증되었다.
• 표준 지표인 민감도, 특이도, ROC 곡선 아래 면적을 사용하여 성능을 평가하였고, 철저한 교차 검증을 실시하였다.
• 실험은 새로운 벤치마크에서 CSEN과 보정된 CheXNet를 다른 딥 러닝 및 전통적 기계학습 모델과 비교하여 실시하였다.

실험 결과

연구 질문

• RQ1 CSEN과 같은 컴팩트 분류기는 제한된 훈련 자료로 흉부 X선 영상에서 조기 단계 코로나19를 높은 민감도와 특이도로 진단할 수 있는가?
• RQ2 데이터 증강과 함께 전이 학습을 적용하면, CheXNet와 같은 딥 러닝 모델의 조기 단계 진단 성능이 향상되는가?
• RQ3 제안된 Early-QaTa-COV19 데이터셋은 기존 데이터셋과 비교해 진정된 조기 단계 코로나19 환자를 얼마나 잘 반영하는가?
• RQ4 CSEN과 최신 기술 기반 딥 러닝 모델 간의 조기 단계 코로나19 진단 성능를 비교하면 어떻게 되는가?
• RQ5 CSEN과 같은 컴팩트 모델은 저자료, 조기 진단 시나리오에서 더 큰 네트워크를 능가할 수 있는가?

주요 결과

• CSEN 모델은 Early-QaTa-COV19 데이터셋에서 98.5% 이상의 민감도와 96% 이상의 특이도를 기록하여 조기 진단에서 뛰어난 성능을 보였다.
• 보정된 CheXNet는 깊이 있는 네트워크 중에서 보고된 바 가장 높은 성능을 기록하였으며, 조기 단계 환자에서 97.14%의 민감도와 99.49%의 특이도를 기록하였다.
• 제안된 Early-QaTa-COV19 데이터셋은 방사선학적 징후가 최소한인 조기 단계 코로나19 환자를 효과적으로 포괄하여 현실적인 벤치마크를 가능하게 하였다.
• CSEN은 저자료 환경에서 뛰어난 강건성을 보였으며, 전통적 기계학습 모델을 능가했고, 자원이 제한된 환경에서 임상 적용에 적합함을 입증하였다.
• 전이 학습과 데이터 증강은 딥 러닝 모델의 일반화 능력과 조기 단계 X선 영상에서의 진단 능력을 크게 향상시켰다.
• 이 연구는 조기 진단을 위한 새로운 성능 기준을 설정하였으며, CSEN과 보정된 CheXNet는 민감도와 특이도에서 새로운 표준을 수립하였다.