[논문 리뷰] Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs

Dipkamal Bhusal, Sanjeeb Prasad Panday|arXiv (Cornell University)|2022. 02. 08.

COVID-19 diagnosis using AI인용 수 8

한 줄 요약

이 논문은 흉부 X선 영상에서 121층의 DenseNet 아키텍처를 사용하여 다중 레이블 흉부 질환 분류 시스템을 제안하며, 심장비대에 대해 AUC 0.896, 농양에 대해 AUC 0.655를 기록했고, Grad-CAM 히트맵을 통해 모델의 해석 가능성과 임상 의사결정에서의 신뢰성을 향상시켰다.

ABSTRACT

Traditional methods of identifying pathologies in X-ray images rely heavily on skilled human interpretation and are often time-consuming. The advent of deep learning techniques has enabled the development of automated disease diagnosis systems. Still, the performance of such systems is opaque to end-users and limited to detecting a single pathology. In this paper, we propose a multi-label disease prediction model that allows the detection of more than one pathology at a given test time. We use a dense convolutional neural network (DenseNet) for disease diagnosis. Our proposed model achieved the highest AUC score of 0.896 for the condition Cardiomegaly with an accuracy of 0.826, while the lowest AUC score was obtained for Nodule, at 0.655 with an accuracy of 0.66. To build trust in decision-making, we generated heatmaps on X-rays to visualize the regions where the model paid attention to make certain predictions. Our proposed automated disease prediction model obtained highly confident high-performance metrics in multi-label disease prediction tasks.

연구 동기 및 목표

• 단일 레이블 분류의 한계를 해결하기 위해 한 번의 영상에서 다수의 흉부 병변을 동시에 탐지할 수 있도록 하는 것.
• 단일 영상 내에서 공존하는 질환을 식별함으로써 진단 정확도를 향상시키고 가짜 음성 결과를 줄이는 것.
• X선 영상에서 주의 영역을 시각화하는 Grad-CAM과 같은 해석 가능성 기법을 통해 모델의 신뢰성을 높이는 것.
• 자원이 제한된 환경에서 방사선 전문의의 전문성이 부족한 상황에서도 신뢰할 수 있고 고성능을 발휘하는 자동화된 시스템을 개발하는 것.
• 다양한 흉부 질환의 다중 레이블 공존 패턴을 통해 전염병학적 통찰을 제공함으로써 공중보건에 기여하는 것.

제안 방법

• 앞면 흉부 X선 영상에서 특징 추출 및 다중 레이블 분류를 위해 121층의 밀집 컨volution 신경망(DenseNet)을 사용한다.
• 14종의 별도 병변에 대해 독립적인 예측이 가능하도록 이진 교차 엔트로피 손실과 시그모이드 활성화 함수를 적용한다.
• 모델 예측에 영향을 준 영상의 관심 영역을 시각화하기 위해 Grad-CAM(기울기 클래스 활성화 맵핑)을 적용한다.
• 112,120장의 앞면 X선 영상이 포함된 NIH Chest X-ray-14 데이터셋을 사용하여 훈련한다. 이 데이터셋에는 14종의 병변이 레이블링되어 있다.
• 모델의 일반화 능력과 훈련 안정성을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용한다.
• 신뢰도와 일관성을 평가하기 위해 각 병변에 대해 AUC, 정확도 및 95% 신뢰구간을 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 단일 흉부 X선 영상에서 다중 레이블 흉부 질환 분류에 높은 성능을 달성할 수 있는가?
• RQ2 희귀성 또는 미세한 영상 특징을 보이는 병변과 같은 특정 병변에 대해 모델의 성능은 어떻게 변할까?
• RQ3 Grad-CAM 히트맵은 모델의 해석 가능성 향상과 예측의 임상적 검증을 어느 정도 지원할 수 있는가?
• RQ4 신뢰구간을 통해 볼 때, 모델의 예측은 다양한 데이터 샘플 간에 얼마나 신뢰할 수 있고 일관성이 있는가?
• RQ5 특히 영상 유형과 환자 병력 통합 측면에서 실제 임상 현장에서의 모델 구현에 있어 주요 제약 사항은 무엇인가?

주요 결과

• 심장비대에 대해 최고의 AUC 점수 0.896를 기록했고, 정확도는 0.826로 이 조건에서 강력한 성능을 보였다.
• 농양 탐지에 대해 가장 낮은 AUC 점수 0.655를 기록했고, 정확도는 0.66으로 작은 또는 미세한 병변을 식별하는 데 어려움이 있음을 시사했다.
• 모든 병변에 대해 AUC의 신뢰구간이 좁았으며(예: 심장비대의 경우 0.86–0.92), 이는 모델 예측의 높은 신뢰성과 일관성을 나타냈다.
• Grad-CAM 히트맵은 X선 영상에서 관심 영역을 성공적으로 국소화했으며, 심장비대의 경우 심장 부위, 종양 또는 농양 탐지의 경우 폐 농양 부위를 중심으로 하였다. 이는 모델의 해석 가능성 향상에 기여했다.
• 좁은 신뢰구간과 다양한 병변에서의 일관된 성능을 통해 모델가 강력한 일반화 능력을 보였다.
• 본 연구는 다중 레이블 딥 러닝 시스템이 단일 레이블 모델이 놓칠 수 있는 공존 병변을 탐지함으로써 가짜 음성 결과를 줄일 잠재력을 보여주었다.