[논문 리뷰] CovidAID: COVID-19 Detection Using Chest X-Ray

Arpan Mangal, Surya Kalia외 5명|arXiv (Cornell University)|2020. 04. 21.

COVID-19 diagnosis using AI참고 문헌 9인용 수 132

한 줄 요약

CovidAID는 사전 학습된 CheXNet 백본을 사용하여 흉부 X-레이를 Normal, Bacterial Pneumonia, Viral Pneumonia 및 COVID-19(또한 3-클래스 변형)로 분류합니다. 이것은 COVID-19 재현율을 거의 완벽에 가깝게 달성하고 동일 데이터셋에서 COVID-Net보다 우수합니다.

ABSTRACT

The exponential increase in COVID-19 patients is overwhelming healthcare systems across the world. With limited testing kits, it is impossible for every patient with respiratory illness to be tested using conventional techniques (RT-PCR). The tests also have long turn-around time, and limited sensitivity. Detecting possible COVID-19 infections on Chest X-Ray may help quarantine high risk patients while test results are awaited. X-Ray machines are already available in most healthcare systems, and with most modern X-Ray systems already digitized, there is no transportation time involved for the samples either. In this work we propose the use of chest X-Ray to prioritize the selection of patients for further RT-PCR testing. This may be useful in an inpatient setting where the present systems are struggling to decide whether to keep the patient in the ward along with other patients or isolate them in COVID-19 areas. It would also help in identifying patients with high likelihood of COVID with a false negative RT-PCR who would need repeat testing. Further, we propose the use of modern AI techniques to detect the COVID-19 patients using X-Ray images in an automated manner, particularly in settings where radiologists are not available, and help make the proposed testing technology scalable. We present CovidAID: COVID-19 AI Detector, a novel deep neural network based model to triage patients for appropriate testing. On the publicly available covid-chestxray-dataset [2], our model gives 90.5% accuracy with 100% sensitivity (recall) for the COVID-19 infection. We significantly improve upon the results of Covid-Net [10] on the same dataset.

연구 동기 및 목표

• RT-PCR 자원이 제한될 때 COVID-19 검사의 우선 선별을 촉진한다.
• SARI 환자에서 RT-PCR 검사를 우선순위로 삼기 위해 Chest X-Ray 데이터를 활용한다.
• 임상적으로 관련된 네 가지(또는 세 가지) 클래스로 흉부 X-레이를 분류하기 위해 CheXNet 기반의 심층 학습 모델을 개발한다.
• 공개 접근을 제공하여 연구를 가속화한다. 학습 코드와 모델에 대한 오픈 액세스를 제공하여 연구를 가속화한다.

제안 방법

• 사전 학습된 CheXNet DenseNet-121 백본을 사용한다.
• 최종 분류기를 네 가지(또는 세 가지) 클래스로 출력하도록 시그모이드 활성화로 교체한다.
• 두 단계로 학습한다: (i) 백본은 고정하고 마지막 계층만 학습, (ii) 엔드 투 엔드로 미세 조정.
• 각 클래스별 가중치를 가진 가중 이진 교차 엔트로피 손실을 사용하여 클래스 불균형을 처리한다. 가중치는 w_c^+ 와 w_c^-.
• 각 배치에서 폐렴 데이터를 희소하게 샘플링하여 COVID-19 신호가 숨겨지지 않도록 한다(4-클래스의 비율 5:5:5:1; 3-클래스의 비율 7:7:1).
• covid-chestxray-dataset와 chest-xray-pneumonia 데이터세트의 분할에서 평가한다; 누출을 방지하기 위해 환자당 분할을 사용한다.

실험 결과

연구 질문

• RQ1 CheXNet 가중치로 학습된 DenseNet 기반 모델이 흉부 X-레이에서 COVID-19를 정상 및 다른 폐렴과 정확하게 구분할 수 있는가?
• RQ2 네 가지 클래스 구성(Normal, Bacterial Pneumonia, Viral Pneumonia, COVID-19)이 세 가지 클래스 구성보다 COVID-19 선별에 더 효과적인가?
• RQ3 동일한 테스트 분할에서 CovidAID가 COVID-Net 기준선과 어떻게 비교되는가?
• RQ4 모델의 주의(attention)나 방사선과 의사가 보기에 보이는 특징과의 상관관계가 saliency 분석으로 뒷받침되는가?

주요 결과

• 3-클래스 구성에서 COVID-19 클래스는 AUROC 최대 0.9997, 민감도 1.000, PPV 0.968를 달성.
• 4-클래스 구성에서 COVID-19의 AUROC는 0.9994, 민감도 1.000, PPV 0.938; 전체 4-클래스 정확도 87.2%.
• 3-클래스 구성은 전체 정확도 90.5%이며 클래스별 AUROC: Normal Lung 0.9795, Pneumonia 0.9814, COVID-19 0.9997; 민감도 및 PPV: 0.744/0.989 (Normal), 0.995/0.868 (Pneumonia), 1.000/0.938 (COVID-19).
• COVID-Net과 비교하여, 같은 테스트 분할에서 Pneumonia 및 COVID-19 탐지에서 0.14 AUROC 이상 더 우수하다.
• RISE를 사용한 주의 맵은 COVID-19 예측에 대해 모델이 의미론적으로 중요한 폐 부분에 집중한다는 것을 뒷받침한다.