[논문 리뷰] Finding Covid-19 from Chest X-rays using Deep Learning on a Small Dataset

Lawrence Hall, Rahul Paul외 2명|arXiv (Cornell University)|2020. 04. 05.

COVID-19 diagnosis using AI인용 수 7

한 줄 요약

이 연구는 102건의 코로나19 및 102건의 비코로나19 폐렴 사례로 구성된 소규모 데이터셋을 사용하여 흉부 X선 영상에서 코로나19를 탐지하기 위한 딥러닝 접근법을 제안한다. 사전학습된 합성곱 신경망을 미세조정한 결과, 검증되지 않은 코로나19 사례에서 100% 민감도를 기록했으며 AUC는 0.997을 달성하여 제한된 데이터와 방법론적 한계에도 불구하고 높은 잠재력을 보여주었다.

ABSTRACT

Testing for COVID-19 has been unable to keep up with the demand. Further, the false negative rate is projected to be as high as 30% and test results can take some time to obtain. X-ray machines are widely available and provide images for diagnosis quickly. This paper explores how useful chest X-ray images can be in diagnosing COVID-19 disease. We have obtained 122 chest X-rays of COVID-19 and over 4,000 chest X-rays of viral and bacterial pneumonia. A pretrained deep convolutional neural network has been tuned on 102 COVID-19 cases and 102 other pneumonia cases in a 10-fold cross validation. The results were all 102 COVID-19 cases were correctly classified and there were 8 false positives resulting in an AUC of 0.997. On a test set of 20 unseen COVID-19 cases all were correctly classified and more than 95% of 4171 other pneumonia examples were correctly classified. This study has flaws, most critically a lack of information about where in the disease process the COVID-19 cases were and the small data set size. More COVID-19 case images will enable a better answer to the question of how useful chest X-rays can be for diagnosing COVID-19 (so please send them).

연구 동기 및 목표

• 진단 테스트가 부족하거나 지연될 경우 흉부 X선 영상이 코로나19 조기 탐지에 활용될 수 있는지 조사하기 위해.
• 소규모이고 불균형한 코로나19 및 비코로나19 폐렴 X선 영상 데이터셋에서 딥러닝 모델의 성능을 평가하기 위해.
• 제한된 학습 데이터에도 불구하고 전이학습을 통해 사전학습된 CNN으로 높은 진단 정확도를 달성할 수 있는지 확인하기 위해.
• 검증되지 않은 코로나19 및 비코로나19 폐렴 사례에 대한 일반화 성능을 평가하기 위해.

제안 방법

• 102건의 코로나19 및 102건의 비코로나19 폐렴 흉부 X선 영상으로 구성된 정제된 데이터셋에서 사전학습된 딥 컨볼루션 신경망을 미세조정하였다.
• 학습 데이터에서 모델 성능을 평가하기 위해 10겹 교차검증을 사용하였다.
• 모델은 별도의 20건의 검증되지 않은 코로나19 X선 영상과 4,171건의 비코로나19 폐렴 X선 영상 세트에서 테스트되었다.
• 코로나19와 다른 폐 감염을 구분하는 데 특화된 작업에 맞추어 사전학습된 네트워크를 적응시키기 위해 전이학습을 활용하였다.
• 모델 평가에는 민감도, 특이도 및 ROC 곡선 아래 면적(AUC)을 중심으로 수행되었다.

실험 결과

연구 질문

• RQ1 소규모 흉부 X선 영상 수만으로 딥러닝 모델이 코로나19 탐지에 높은 진단 정확도를 달성할 수 있는가?
• RQ2 코로나19 및 비코로나19 폐렴 X선 영상의 소규모이고 불균형한 데이터셋에서 전이학습은 어떤 성능을 보이는가?
• RQ3 검증되지 않은 실제 코로나19 및 다른 폐렴 유형의 사례에 대해 모델의 일반화 성능은 어떠한가?
• RQ4 다양한 테스트 세트에서 위양성률과 민감도는 어떻게 비교되는가?

주요 결과

• 학습 세트에 포함된 102건의 코로나19 사례 모두가 정확히 분류되어 100% 민감도를 달성하였다.
• 10겹 교차검증에서 모델은 ROC 곡선 아래 면적(AUC)이 0.997을 기록하였다.
• 검증되지 않은 20건의 코로나19 사례로 구성된 테스트 세트에서 모든 사례가 정확히 분류되어 외부 검증에서 높은 민감도를 확인하였다.
• 4,171건의 비코로나19 폐렴 사례 중 95% 이상이 정확히 분류되어 강한 특이도를 나타내었다.
• 전체 테스트 세트에서 8건의 위양성 결과가 발생하여 낮지만 비제로인 위양성률을 보여주었다.