[논문 리뷰] COVIDomaly: A Deep Convolutional Autoencoder Approach for Detecting Early Cases of COVID-19.

Faraz Khoshbakhtian, Ahmed Ashraf외 1명|arXiv (Cornell University)|2020. 10. 06.

COVID-19 diagnosis using AI인용 수 6

한 줄 요약

COVIDomaly는 레이블이 부여된 감염자 데이터가 가용하지 않을 때, 흉부 X선에서 조기 코로나19 감염을 식별하기 위해 딥 컨volution 오토에인코드어를 사용하는 일종의 이상 탐지 프레임워크를 제안한다. 건강하거나 비코로나19 폐렴 X선 이미지만으로 훈련된 모델은 융합된 ROC-AUC 0.7652를 달성하여, 제한된 데이터로도 팬데믹 초반 단계의 조기 탐지 가능성을 보여준다.

ABSTRACT

As of September 2020, the COVID-19 pandemic continues to devastate the health and well-being of the global population. With more than 33 million confirmed cases and over a million deaths, global health organizations are still a long way from fully containing the pandemic. This pandemic has raised serious questions about the emergency preparedness of health agencies, not only in terms of treatment of an unseen disease, but also in identifying its early symptoms. In the particular case of COVID-19, several studies have indicated that chest radiography images of the infected patients show characteristic abnormalities. However, at the onset of a given pandemic, such as COVID-19, there may not be sufficient data for the affected cases to train models for their robust detection. Hence, supervised classification is ill-posed for this problem because the time spent in collecting large amounts of infected peoples' data could lead to the loss of human lives and delays in preventive interventions. Therefore, we formulate this problem within a one-class classification framework, in which the data for healthy patients is abundantly available, whereas no training data is present for the class of interest (COVID-19 in our case). To solve this problem, we present COVIDomaly, a convolutional autoencoder framework to detect unseen COVID-19 cases from the chest radiographs. We tested two settings on a publicly available dataset (COVIDx) by training the model on chest X-rays from (i) only healthy adults, and (ii) healthy and other non-COVID-19 pneumonia, and detected COVID-19 as an anomaly. After performing 3-fold cross validation, we obtain a pooled ROC-AUC of 0.7652 and 0.6902 in the two settings respectively. These results are very encouraging and pave the way towards research for ensuring emergency preparedness in future pandemics, especially the ones that could be detected from chest X-rays.

연구 동기 및 목표

• 팬데믹 기간 동안 레이블이 부여된 감염자 데이터가 부족한 상황에서 조기 코로나19 감염을 탐지하는 데 도전하는 것.
• 감염자 데이터 없이 건강하거나 비코로나19 폐렴 X선 이미지만을 사용하여 코로나19를 이상으로 간주하는 일종의 분류 프레임워크를 개발하는 것.
• 의료 영상 기반으로 새로운 전염병을 조기에 탐지할 수 있도록 비상 대응 능력을 향상시키는 것.

제안 방법

• 딥 컨volution 오토에인코드어는 건강한 개인의 흉부 X선 이미지만으로 훈련되어 정상 해부학적 패턴을 학습한다.
• 모델은 입력 X선을 재구성하고 재구성 오차를 이상도수로 삼으며, 높은 오차는 코로나19 가능성을 시사한다.
• 두 가지 훈련 설정을 평가한다: 하나는 건강한 성인 X선만을 사용하고, 다른 하나는 건강한 X선과 비코로나19 폐렴 X선을 모두 포함한다.
• 재구성 오차의 임계값을 설정하여 이상을 탐지하며, 높은 오차는 가능한 코로나19 감염을 나타낸다.
• 공개된 COVIDx 데이터셋에서 성능을 평가하기 위해 3중 교차검증을 수행한다.
• 정상 X선 이미지는 풍부한 반면 감염자 데이터는 희귀하고 팬데믹 초기 단계에서는 확보하기 어려운 점을 가정한다.

실험 결과

연구 질문

• RQ1 정상 또는 비코로나19 폐렴 X선 이미지만을 사용하여 훈련된 일종의 이상 탐지 모델이 조기 코로나19 감염을 효과적으로 식별할 수 있는가?
• RQ2 훈련 세트에 비코로나19 폐렴 X선 이미지를 포함시키면 모델이 코로나19를 이상으로 탐지하는 능력에 어떤 영향을 미치는가?
• RQ3 이 컨volution 오토에인코드어 프레임워크는 공개 데이터셋에서 미리 보지 못한 코로나19 감염 사례를 탐지하는 데 어떤 성능을 보이는가?
• RQ4 이러한 접근 방식은 레이블이 제한된 데이터로도 활용 가능한 향후 팬데믹에 대비한 비상 탐지 시스템으로서 실현 가능할까?

주요 결과

• 건강한 성인 X선 이미지만으로 훈련된 모델은, 훈련된 후 미리 보지 못한 코로나19 감염 사례를 탐지하는 데 있어 융합된 ROC-AUC 0.7652를 달성하여 뛰어난 성능을 보였다.
• 건강한 X선과 비코로나19 폐렴 X선 이미지를 모두 사용하여 훈련한 경우, 모델은 융합된 ROC-AUC 0.6902를 달성하여 중간 정도이지만 여전히 유망한 탐지 능력을 보였다.
• 결과는 컨볼루션 오토에인코드어 프레임워크가 목표 클래스에 대한 훈련 데이터가 극히 적은 상황에서도 흉부 X선의 이상을 탐지할 수 있음을 보여준다.
• 이 프레임워크는 데이터 부족에 강건하여, 감염자 데이터가 확보되지 않는 팬데믹 초기 단계의 조기 탐지에 적합하다.
• 이 연구는 오토에인코드어를 활용한 일종의 분류가 비상 상황에서 의료 영상 자료를 통해 새로운 질병을 탐지하는 데 실현 가능한 접근법임을 확인한다.
• 이러한 발견들은 향후 팬데믹에 대비한 비상 대응 전략의 일환으로 이러한 모델을 활용할 수 있음을 뒷받침한다.