[논문 리뷰] DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images

Md Rezaul Karim, Till Döhmen외 4명|arXiv (Cornell University)|2020. 04. 09.

COVID-19 diagnosis using AI참고 문헌 30인용 수 38

한 줄 요약

이 논문은 Grad-CAM++ 및 LRP를 사용하여 영역 수준 설명을 제공하는 COVID-19를 Chest X-ray에서 탐지하는 설명가능한 신경 앙상블인 DeepCOVIDExplainer를 소개하며, 균형 데이터에서 COVID-19에 대해 높은 정밀도/재현율을 달성하고 PPV가 약 96%에 이르는 성능을 보여줍니다.

ABSTRACT

Amid the coronavirus disease(COVID-19) pandemic, humanity experiences a rapid increase in infection numbers across the world. Challenge hospitals are faced with, in the fight against the virus, is the effective screening of incoming patients. One methodology is the assessment of chest radiography(CXR) images, which usually requires expert radiologist's knowledge. In this paper, we propose an explainable deep neural networks(DNN)-based method for automatic detection of COVID-19 symptoms from CXR images, which we call DeepCOVIDExplainer. We used 15,959 CXR images of 15,854 patients, covering normal, pneumonia, and COVID-19 cases. CXR images are first comprehensively preprocessed, before being augmented and classified with a neural ensemble method, followed by highlighting class-discriminating regions using gradient-guided class activation maps(Grad-CAM++) and layer-wise relevance propagation(LRP). Further, we provide human-interpretable explanations of the predictions. Evaluation results based on hold-out data show that our approach can identify COVID-19 confidently with a positive predictive value(PPV) of 91.6%, 92.45%, and 96.12%; precision, recall, and F1 score of 94.6%, 94.3%, and 94.6%, respectively for normal, pneumonia, and COVID-19 cases, respectively, making it comparable or improved results over recent approaches. We hope that our findings will be a useful contribution to the fight against COVID-19 and, in more general, towards an increasing acceptance and adoption of AI-assisted applications in the clinical practice.

연구 동기 및 목표

• 임상 현장에서 흉부 X선(CXR)을 이용한 COVID-19의 빠르고 해석 가능한 선별을 돕는다.
• 정상, 폐렴 및 COVID-19 CXR 이미지를 구분하는 설명가능한 DNN 기반 파이프라인을 개발한다.
• 복수의 CNN 아키텍처를 앙상블로 결합하여 강건성과 일반화 능력을 향상시킨다.
• 클래스 구분 영역을 강조하여 인간이 해석할 수 있는 설명을 제공한다.
• 재현 가능성을 염두에 두고 오픈 소스 코드 및 데이터 링크를 제공한다.

제안 방법

• 히스토그램 평활화, 에지 향상, 노이즈 감소, 인공물 제거를 포함한 이미지 전처리.
• ImageNet 프리트레이닝 없이 전이 학습(transfer-learning-inspired) 설정에서 여러 CNN 아키텍처(VGG-16/19, ResNet-18/34, DenseNet-161/201)를 학습한다.
• 사이클릭 코사인 감쇠를 사용한 스냅샷 모델을 생성하고 Softmax 클래스 사후분포 평균(SCPA) 및 예측 최대화(PM)을 통해 앙상블을 구성한다.
• Grad-CAM++, Grad-CAM, Layer-wise Relevance Propagation (LRP)을 사용하여 클래스 구분이 가능한 설명을 생성한다.
• 클래스 불균형에 대해 클래스 가중치를 적용하고 균형 데이터 및 비대칭 데이터에서 정밀도, 재현율, F1, 및 PPV를 평가한다.
• Heatmap 및 영역 위치화를 통해 예측을 설명하고 임상 신뢰와 검증을 돕는다.

실험 결과

연구 질문

• RQ1 설명 가능한 신경 앙상블이 CXR 이미지에서 COVID-19를 정상 및 비 COVID-19 폐렴과 정확히 구분할 수 있는가?
• RQ2 Grad-CAM++, Grad-CAM 및 LRP가 임상 사용을 위한 의사결정 관련 흉부 영역의 신뢰할 수 있고 해석 가능한 위치화를 제공하는가?
• RQ3 균형 및 불균형 클래스 분포에서 어떤 CNN 아키텍처와 앙상블 전략이 최상의 성능을 보이는가?
• RQ4 제안된 방법이 정밀도, 재현율 및 PPV 측면에서 기존의 COVID-19 CXR 방법과 어떻게 비교되는가?
• RQ5 모델의 동작이 AI 보조 임상 의사결정을 뒷받침할 만큼 충분히 투명한가?

주요 결과

• DenseNet-161 및 DenseNet-201이 균형 데이터에서 개별 최상의 성능을 달성하고, DenseNet-161은 정밀도 0.952, 재현율 0.945, F1 0.948을 달성한다.
• 불균형 데이터에서 DenseNet-161 및 ResNet-18이 강건한 성능을 보이며, DenseNet-161이 강력한 메트릭을 유지한다.
• Softmax posterior averaging(SCPA)을 사용하는 VGG-19 + DenseNet-161 조합의 앙상블이 가장 균형 잡힌 결과를 얻으며(정밀도 0.946, 재현율 0.943, F1 0.945) 최상이다.
• 같은 아키텍처 조합에서 예측 최대화(PM) 앙상블도 잘 작동한다(0.937 정밀도, 0.926 재현율, 0.931 F1).
• 균형 테스트 세트에서 COVID-19 양성 예측의 PPV가 96.12%에 도달한다; COVIDx v1.0 비교는 유사 조건에서 PPV가 96.74%로, 최신 방법들과의 경쟁력을 시사한다.
• 균형 데이터의 클래스별 지표는 Normal(정밀도 0.942, 재현율 0.927, F1 0.935), Pneumonia(정밀도 0.916, 재현율 0.928, F1 0.922), COVID-19(정밀도 0.904, 재현율 0.905, F1 0.905)로 나타난다.