[논문 리뷰] CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

Pranav Rajpurkar, Jeremy Irvin외 10명|arXiv (Cornell University)|2017. 11. 14.

COVID-19 diagnosis using AI참고 문헌 23인용 수 1,289

한 줄 요약

CheXNet은 121층 DenseNet으로 흉부 X선에서 폐렴을 방사선과 의사 수준의 성능으로 탐지하고 14개의 ChestX-ray14 병리 모두에서 최첨단 결과를 달성합니다. 또한 해석을 위한 위치화 열지도를 제공합니다.

ABSTRACT

We develop an algorithm that can detect pneumonia from chest X-rays at a level exceeding practicing radiologists. Our algorithm, CheXNet, is a 121-layer convolutional neural network trained on ChestX-ray14, currently the largest publicly available chest X-ray dataset, containing over 100,000 frontal-view X-ray images with 14 diseases. Four practicing academic radiologists annotate a test set, on which we compare the performance of CheXNet to that of radiologists. We find that CheXNet exceeds average radiologist performance on the F1 metric. We extend CheXNet to detect all 14 diseases in ChestX-ray14 and achieve state of the art results on all 14 diseases.

연구 동기 및 목표

• 자동 폐렴 탐지를 통해 방사선과 의사 작업 부하를 경감하고 진단 접근성을 개선하는 동기 부여.
• 전면 흉부 X선에서 높은 정확도로 폐렴을 탐지할 수 있는 심층 신경망을 개발.
• 모델을 ChestX-ray14의 모든 14개 질병 탐지로 확장하고 이전의 최첨단과 비교 평가.
• CAMs를 통한 지역화 열지도 제공으로 병리 부위를 강조하는 모델 해석 가능성 제공

제안 방법

• ChestX-ray14에 대해 112,120개의 전면 뷰 X선 이미지에 14개의 병리로 라벨링된 121-layer DenseNet을 학습시키고 사용.
• 최종 레이어를 폐렴 확률에 대한 단일 노드 시그모이드로 교체하고 Adam으로 학습.
• 가중 가중치 이진 교차 엔트로피 손실로 클래스 불균형 처리.
• 부트스트랩 CI를 사용한 F1 점수로 보유된 테스트 세트에서 4명의 방사선과 의사와 비교 평가.
• 14-병리 다중 레이블 분류로 확장하여 14차원 시그모이드 출력 및 가중치 없는 이진 교차 엔트로피 손실 사용.
• 클래스 활성화 맵(CAM)을 생성해 예측에 기여하는 영역을 로컬ize

실험 결과

연구 질문

• RQ1 CheXNet이 실제 방사선과 의사 수준을 능가하는 수준으로 흉부 X선에서 폐렴을 탐지할 수 있는가?
• RQ2 CheXNet이 ChestX-ray14 병리에서 최첨단 방법과 비교해 어떤 성능을 보이는가?
• RQ3 개별 클래스 예측(AUROC)이 모든 14개 질병에서 이전 방법보다 개선되는가?
• RQ4 모델이 의사 결정의 근거를 설명하는 해석 가능한 위치지도를 제공할 수 있는가?

주요 결과

F1 점수 (95% 신뢰구간)	Radiologist 1	Radiologist 2	Radiologist 3	Radiologist 4	Radiologist 평균	CheXNet
Pneumonia	0.383 (0.309, 0.453)	0.356 (0.282, 0.428)	0.365 (0.291, 0.435)	0.442 (0.390, 0.492)	0.387 (0.330, 0.442)	0.435 (0.387, 0.481)

• CheXNet은 폐렴에 대해 F1 점수 0.435(95% CI 0.387, 0.481)를 달성하여 방사선과 의사 평균 0.387(95% CI 0.330, 0.442)을 상회합니다.
• CheXNet과 방사선과 의사 간의 F1 차이는 통계적으로 유의합니다(차이의 95% CI: 0.005 ~ 0.084).
• 14 ChestX-ray14 병리 전체를 다중 라벨 분류로 확장했을 때 CheXNet은 최상위 공개 결과를 능가합니다.
• Mass, Nodule, Pneumonia, Emphysema에서 CheXNet은 이전 최첨단 대비 0.05 AUROC 이상 향상을 달성합니다.
• 모델은 CAM 기반 위치지도를 제공하여 각 병리의 가장 징후가 되는 영역을 하이라이트합니다.