[논문 리뷰] COVID-Xpert: An AI Powered Population Screening of COVID-19 Cases Using Chest Radiography Images

Xin Li, Dongxiao Zhu|arXiv (Cornell University)|2020. 04. 06.

COVID-19 diagnosis using AI인용 수 49

한 줄 요약

COVID-MobileXpert는 흉부 X선(CXR) 영상을 사용하여 코로나19를 선별하고, 새로운 3단계 지식 이전 및 정련 프레임워크를 통해 방사선학적 궤적을 예측하는 경량 딥 뉴럴 네트워크 모바일 앱입니다. 고유한 손실 함수와 현장 내 추론을 통해 제한된 코로나19 데이터에서 뛰어난 성능을 발휘하며, 소스 코드는 공개되어 있습니다.

ABSTRACT

During the COVID-19 pandemic, there has been an emerging need for rapid, dedicated, and point-of-care COVID-19 patient disposition techniques to optimize resource utilization and clinical workflow. In view of this need, we present COVID-MobileXpert: a lightweight deep neural network (DNN) based mobile app that can use chest X-ray (CXR) for COVID-19 case screening and radiological trajectory prediction. We design and implement a novel three-player knowledge transfer and distillation (KTD) framework including a pre-trained attending physician (AP) network that extracts CXR imaging features from a large scale of lung disease CXR images, a fine-tuned resident fellow (RF) network that learns the essential CXR imaging features to discriminate COVID-19 from pneumonia and/or normal cases with a small amount of COVID-19 cases, and a trained lightweight medical student (MS) network to perform on-device COVID-19 patient triage and follow-up. To tackle the challenge of vastly similar and dominant fore- and background in medical images, we employ novel loss functions and training schemes for the MS network to learn the robust features. We demonstrate the significant potential of COVID-MobileXpert for rapid deployment via extensive experiments with diverse MS architecture and tuning parameter settings. The source codes for cloud and mobile based models are available from the following url: this https URL.

연구 동기 및 목표

• 팬데믹 기간 동안 빠르고 현장 중심의 코로나19 선별 도구에 대한 긴급한 필요를 해결하기 위해.
• 제한된 CXR 데이터를 사용하여 효율적인 현장 내 코로나19 환자 선별을 가능하게 하기 위해.
• 최소한의 계산 자원을 갖춘 모바일 플랫폼에 적합한 가벼운, 구현 가능한 모델을 개발하기 위해.
• 매우 유사한 전경 및 배경 패턴을 가진 CXR 영상에서 특징 학습을 향상시키기 위해.

제안 방법

• 대규모 폐질환 CXR 데이터로 사전 훈련된 정교한 의료진(AP) 네트워크를 포함한 3단계 지식 이전 및 정련(KTD) 프레임워크를 설계함.
• 코로나19, 폐렴 및 정상 CXR 사례로 구성된 소규모 데이터셋에서 훈련된 주치의(예비의사) RF 네트워크를 통해 분류 가능한 특징을 학습함.
• 현장 내 선별 및 추적 선별을 수행하기 위해 정련을 통해 훈련된 경량 의학도(MS) 네트워크를 설계함.
• MS 네트워크에 대해 고유한 손실 함수와 훈련 방식을 적용하여 우세한 영상 전경 및 배경에 대한 강건성을 향상시킴.
• MS 네트워크를 모바일 배포에 최적화하여 엣지 디바이스에서 실시간 추론을 가능하게 함.
• 클라우드 및 모바일 모델의 소스 코드를 공개하여 재현성과 추가 개발을 지원함.

실험 결과

연구 질문

• RQ1 경량의 현장 내 딥 러닝 모델이 흉부 X선 영상만을 사용하여 코로나19를 효과적으로 선별할 수 있는가?
• RQ2 사전 훈련 및 미세조정된 네트워크에서의 지식 정련이 제한된 코로나19 데이터에서 성능을 얼마나 향상시킬 수 있는가?
• RQ3 고유한 손실 함수가 도전적인 배경 및 전경 유사성으로 인해 특징 학습이 어려운 CXR 영상에서 특징 학습을 얼마나 향상시킬 수 있는가?
• RQ4 제안된 KTD 프레임워크는 환자 추적을 위한 정확한 방사선학적 궤적 예측을 가능하게 하는가?
• RQ5 이 모델은 다양한 모바일 하드웨어 및 네트워크 조건에서 얼마나 확장 가능하고 구현 가능한가?

주요 결과

• 제안된 3단계 KTD 프레임워크는 대규모 사전 훈련된 모델에서 경량 현장 내 네트워크로 효과적인 지식 이전을 가능하게 함.
• 고유한 손실 함수와 훈련 방식 덕분에 MS 네트워크는 제한된 코로나19 데이터에서 강건한 성능을 달성함.
• 광범위한 실험을 통해 다양한 MS 아키텍처와 하이퍼파라미터 설정에서의 빠른 구현 잠재력을 입증함.
• 모델은 실시간 모바일 추론에 적합한 높은 정확도와 효율성을 유지함.
• 클라우드 및 모바일 모델의 소스 코드가 공개되어 재현성과 향후 개발을 가능하게 함.