[논문 리뷰] COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest-Ray Images

Sheetal Rajpal, Naveen Kumar외 1명|arXiv (Cornell University)|2020. 07. 16.

COVID-19 diagnosis using AI참고 문헌 51인용 수 8

한 줄 요약

이 논문은 흉부 X-ray 영상을 코로나19, 정상, 폐렴의 세 가지 클래스로 분류하기 위한 세 단계로 구성된 ELM 기반 프레임워크인 COV-ELM을 제안한다. ELM의 빠른 학습 및 뛰어난 일반화 능력을 활용하여 모델은 매크로 F1 스코어 0.95와 민감도 0.94 ± 0.02를 달성하였으며, 최신 기술을 초월하고, LIME를 통해 초위상 영역 할당을 통한 임상적으로 관련성이 있는 해석 가능성을 제공한다.

ABSTRACT

Coronaviruses constitute a family of viruses that gives rise to respiratory diseases. As COVID-19 is highly contagious, early diagnosis of COVID-19 is crucial for an effective treatment strategy. However, the RT-PCR test which is considered to be a gold standard in the diagnosis of COVID-19 suffers from a high false-negative rate. Chest X-ray (CXR) image analysis has emerged as a feasible and effective diagnostic technique towards this objective. In this work, we propose the COVID-19 classification problem as a three-class classification problem to distinguish between COVID-19, normal, and pneumonia classes. We propose a three-stage framework, named COV-ELM. Stage one deals with preprocessing and transformation while stage two deals with feature extraction. These extracted features are passed as an input to the ELM at the third stage, resulting in the identification of COVID-19. The choice of ELM in this work has been motivated by its faster convergence, better generalization capability, and shorter training time in comparison to the conventional gradient-based learning algorithms. As bigger and diverse datasets become available, ELM can be quickly retrained as compared to its gradient-based competitor models. The proposed model achieved a macro average F1-score of 0.95 and the overall sensitivity of ${0.94 \pm 0.02} at a 95% confidence interval. When compared to state-of-the-art machine learning algorithms, the COV-ELM is found to outperform its competitors in this three-class classification scenario. Further, LIME has been integrated with the proposed COV-ELM model to generate annotated CXR images. The annotations are based on the superpixels that have contributed to distinguish between the different classes. It was observed that the superpixels correspond to the regions of the human lungs that are clinically observed in COVID-19 and Pneumonia cases.

연구 동기 및 목표

• 코로나19에 대한 RT-PCR 검사의 높은 위음성률 문제를 해결하기 위해 의료 영상 기반의 대체 진단 방법을 개발한다.
• 코로나19 분류 문제를 이진 분류 또는 다질환 접근 방식과 비교하여 세 가지 클래스 문제로 간주함으로써 진단 정확도를 향상시킨다: 코로나19, 정상, 폐렴.
• 기울기 기반 딥 러닝 모델과 비교하여 더 빠른 학습과 더 나은 일반화 능력을 제공하는 극단적 학습 기반 모델(ELM)을 활용한다.
• 모델 결정에 기여하는 폐 부위를 식별함으로써 LIME를 통합하여 지역적이고 모델에 관계없이 해석 가능한 설명을 제공한다.

제안 방법

• 세 단계 프레임워크를 적용한다: 1단계에서 전처리 및 영상 변환, 2단계에서 사전 훈련된 CNN을 사용한 깊이 특징 추출, 3단계에서 ELM 기반 분류.
• 무작위 은닉층 가중치와 출력 가중치의 해석적 해를 가지며 반복적이지 않은 빠른 학습이 가능한 극단적 학습 기반 모델(ELM)을 활용한다.
• CX-R 영상에서 분류 결정에 영향을 주는 주목할 만한 초위상 영역을 식별함으로써 LIME를 사용해 국소적이고 모델에 관계없이 해석 가능한 설명을 생성한다.
• 다양하고 공개된 흉부 X-ray 영상 데이터셋을 사용하여 세 가지 다른 클래스에서 모델의 훈련 및 검증을 수행한다.
• 단일층 피드포워드 네트워크를 사용하고 시그모이드 활성화 함수를 적용하며, 출력 가중치에 대해 분석적 최소 제곱 해를 사용하여 ELM 모델을 최적화한다.
• 모델 성능을 검증하기 위해 매크로 F1 스코어와 95% 신뢰구간에서의 민감도를 사용하여 강건성과 신뢰성을 확보한다.

실험 결과

연구 질문

• RQ1 이진 또는 다질환 접근 방식과 비교하여 세 가지 클래스 분류 프레임워크가 흉부 X-ray 영상에서의 코로나19 검출 정확도를 향상시킬 수 있는가?
• RQ2 기울기 기반 학습 알고리즘과 비교할 때, ELM이 CXR 기반의 코로나19 분류에서 학습 속도와 일반화 능력 측면에서 우수한 성능을 보일 수 있는가?
• RQ3 빠른 재학습 능력 덕분에 제한된 또는 재학습된 데이터로도 ELM 모델이 높은 성능를 유지할 수 있는가?
• RQ4 LIME가 생성한 설명이 코로나19 및 폐렴 환자에서 임상적 관찰과 일치하는 해부학적으로 관련성이 있는 폐 부위를 강조할 수 있는가?

주요 결과

• COV-ELM 모델은 매크로 평균 F1 스코어 0.95를 달성하여 세 클래스 모두에서 뛰어난 성능를 보였다.
• 모델은 95% 신뢰구간에서 민감도 0.94 ± 0.02를 보이며 코로나19 환자에 대한 높은 탐지 능력을 확인하였다.
• COV-ELM은 흉부 X-ray 영상에서의 세 클래스 분류 시나리오에서 최신 기술의 기계학습 모델을 모두 능가하였다.
• LIME 할당은 코로나19 및 폐렴과 임상적으로 관련된 폐 부위에 해당하는 초위상 영역을 강조하여 모델의 해석 가능성을 향상시켰다.
• ELM 기반 접근 방식은 전통적인 기울기 기반 모델과 비교하여 더 빠른 학습과 더 나은 일반화 능력을 제공하였다.
• LIME 통합을 통해 방사선 영상 결과와 일치하는 시각적 설명을 제공하여 임상의의 모델 예측에 대한 신뢰를 높였다.