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

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

COVID-19 diagnosis using AI참고 문헌 25인용 수 81

한 줄 요약

DeepCOVIDExplainer는 Grad-CAM++와 LRP를 활용한 신경집합 기반의 설명 가능 딥러닝 프레임워크를 제안하여 흉부 X선(CXR) 영상에서 자동으로 코로나19를 진단한다. 15,959장의 CXR 영상으로 구성된 데이터셋에서 코로나19 분류에 대해 96.12%의 양성 예측도와 94.6%의 F1 스코어를 기록하여 높은 정확도와 임상적 해석 가능성을 입증한다.

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

• 제한된 방사선의사 수요이 있는 의료 환경에서 코로나19 환자의 신속하고 정확한 선별 과제를 해결하기 위해.
• 정상, 폐렴, 코로나19로 분류하는 것을 넘어서 인간이 이해할 수 있는 설명을 제공하는 딥러닝 모델을 개발하기 위해.
• 설명 가능한 AI 기법을 활용해 CXR 영상에서 질병 특징을 보여주는 영역을 강조함으로써 임상적 신뢰도를 높이고 AI의 영상의학 분야 내 보급을 촉진하기 위해.
• 정상, 폐렴, 코로나19 사례를 포함한 다수의 다양성 있는 데이터셋(15,959장의 CXR 영상)에서 모델의 성능을 평가하기 위해.

제안 방법

• 표준화 및 향상된 CXR 영상 처리를 위해 종합적인 전처리 파이프라인을 사용한다.
• 증강된 CXR 영상에서 신경집합 모델을 훈련시켜 정상, 폐렴, 코로나19 클래스 간 일반화 및 강건성을 향상시킨다.
• 클래스 구분 영역을 강조하기 위해 Grad-CAM++를 적용하여 예측 결정에 기여하는 CXR 영상의 영역을 시각화한다.
• 각 픽셀이 최종 예측에 기여하는 방식을 추가로 분해하고 설명하기 위해 레이어별 유사도 전파(LRP)를 사용한다.
• Grad-CAM++와 LRP의 통합을 통해 인간이 읽을 수 있고 국소화된 모델 예측 설명을 가능하게 한다.
• 정밀도, 재현율, F1 스코어, 양성 예측도를 측정하기 위해 보류된 테스트 데이터를 활용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 설명 가능한 AI 기법을 활용한 딥 네트워크 집합은 정상, 폐렴, 코로나19로 분류하는 데 있어 높은 정확도를 달성할 수 있는가?
• RQ2 Grad-CAM++와 LRP는 CXR 영상의 모델 예측에 대해 임상적으로 의미 있고 해석 가능한 설명을 어느 정도 제공할 수 있는가?
• RQ3 예측 성능와 해석 가능성 측면에서 최근의 접근 방식과 비교해 본다면 본 연구에서 제안한 방법은 어떠한가?
• RQ4 실제 임상 환경에서 다양한 환자 집단과 영상 변형에 대해 모델은 높은 성능를 유지할 수 있는가?

주요 결과

• 보류된 테스트 데이터에서 정상 사례에 대해 91.6%, 폐렴 사례에 대해 92.45%, 코로나19 사례에 대해 96.12%의 양성 예측도를 기록했다.
• 코로나19 분류에 대해 정밀도, 재현율, F1 스코어가 각각 94.6%, 94.3%, 94.6%로 균형 잡힌 높은 성능를 나타냈다.
• Grad-CAM++와 LRP의 통합을 통해 모델은 질병과 관련된 해부학적 영역을 강조하여 임상적 해석 가능성을 향상시켰다.
• 정확도와 해석 가능성 측면에서 최근 최고 수준의 접근 방식과 비교해도 동등하거나 뛰어난 성능를 보였다.
• 결과적으로 모델는 조기 코로나19 선별을 위한 신뢰할 수 있고 해석 가능한 예측을 제공함으로써 임상적 의사결정 지원에 기여할 수 있다.