[논문 리뷰] POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection

Tomasz Szczepański, Arkadiusz Sitek외 2명|arXiv (Cornell University)|2022. 01. 23.

COVID-19 diagnosis using AI참고 문헌 26인용 수 2

한 줄 요약

POTHER는 흉부 X선에서 설명 가능한 코로나19 진단을 위한 다중 작업, 패치 투표 기반 딥러닝 프레임워크를 제안한다. 주의 메커니즘을 활용한 폐 분할을 통해 패치 샘플링을 폐 영역로 제한하고, 심 electrocardiogram(ECG) 리드나 횡방향 마커와 같은 혼란 요인에 대한 의존도를 줄인다. 이 방법은 코로나19 분류에서 높은 F1 스코어 0.974를 달성하면서도 설명 가능한 AI 분 析를 통해 편향에 대한 강건성을 입증한다.

ABSTRACT

A critical step in the fight against COVID-19, which continues to have a catastrophic impact on peoples lives, is the effective screening of patients presented in the clinics with severe COVID-19 symptoms. Chest radiography is one of the promising screening approaches. Many studies reported detecting COVID-19 in chest X-rays accurately using deep learning. A serious limitation of many published approaches is insufficient attention paid to explaining decisions made by deep learning models. Using explainable artificial intelligence methods, we demonstrate that model decisions may rely on confounding factors rather than medical pathology. After an analysis of potential confounding factors found on chest X-ray images, we propose a novel method to minimise their negative impact. We show that our proposed method is more robust than previous attempts to counter confounding factors such as ECG leads in chest X-rays that often influence model classification decisions. In addition to being robust, our method achieves results comparable to the state-of-the-art. The source code and pre-trained weights are publicly available at (https://github.com/tomek1911/POTHER).

연구 동기 및 목표

• 흉부 X선에서 코로나19 진단을 위한 딥러닝 모델에서 발생하는 ECG 리드, 횡방향 마커, 병원별 특수 표시와 같은 혼란 요인의 비판적인 문제를 해결하기 위해.
• 비병리적 특징에 대한 의존도를 최소화하면서도 높은 진단 성능를 유지하는 강건하고 설명 가능한 AI 방법을 개발하기 위해.
• 다중 작업 학습 프레임워크를 통해 폐에 인접한 패치에 집중함으로써 모델의 일반화 능력을 향상시키기 위해.

제안 방법

• 원시 CXR 이미지에서 폐 영역의 의사분할 마스크를 생성하기 위해 주의 메커니즘을 갖춘 U-Net 기반 인코더-디코더 네트워크를 사용한다.
• 패치는 폐 영역과 그 즉각적인 주변부에서만 잘라내어 ECG 리드나 횡방향 마커와 같은 혼란 요인에 노출되는 것을 줄인다.
• 다중 작업 학습 설정을 통해 폐 분할과 패치 수준의 분류를 동시에 최적화하여 특징 표현을 향상시킨다.
• 패치 수준의 예측은 다수결 투표를 통해 최종 이미지 수준의 분류를 도출한다.
• 설명 가능한 AI 기법, 예를 들어 패치 기반 활성화 맵과 GradCAM을 사용하여 주의 집중 영역을 시각화하고 모델 결정을 검증한다.
• 분할 출력을 정제하고 관련 영역만 패치 샘플링에 기여하도록 하기 위해 마스크 필터링 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 CXR에서 코로나19 진단을 위한 딥러닝 모델이 실제로 병리적 특징보다 ECG 리드나 횡방향 마커와 같은 혼란 요인에 얼마나 의존하는가?
• RQ2 패치 투표 기반 다중 작업 학습 접근법이 COVIDx 데이터셋에서 알려진 혼란 요인에 대한 모델 민감도를 줄일 수 있는가?
• RQ3 패치 샘플링을 폐 인근 영역로 제한할 경우, 글로벌 특징 기반 방법과 비교해 모델의 강건성과 성능에 어떤 영향을 미치는가?
• RQ4 학습 데이터가 폐 조각으로 제한된 상황에서 주의 기반 분할이 특징 추출과 분류 정확도를 향상시킬 수 있는가?
• RQ5 제안된 방법은 CXR 이미지의 비의료적 잡음에 대한 의존도를 줄이면서도 높은 성능를 유지하는가?

주요 결과

• POTHER는 COVIDx 테스트 세트에서 코로나19 클래스에 대해 F1 스코어 0.974를 달성했으며, 정확도는 유사하나 F1에서 다른 모델을 앞서는 성과를 보였다.
• 활성화 맵 분 析를 통해 ECG 리드나 횡방향 마커(예: 'L' 또는 'R' 레이블)와 같은 혼란 요인에 대한 민감도가 감소한 것으로 확인되었다.
• 주의 기반 분할과 국소화된 패치 샘플링의 사용은 글로벌 특징 기반 모델 대비 강력한 강건성을 크게 향상시켰다.
• 코로나19 클래스에 대해 정밀도 1.000과 재현도 0.950을 달성하여 검출의 높은 신뢰도와 완전성을 나타냈다.
• 설명 가능한 AI 분석 결과, 모델의 주의 집중은 비의료적 마커나 잡음이 아닌 폐 영역과 병리적 패턴에 주로 집중되어 있었다.
• 소스 코드와 사전 학습된 가중치는 https://github.com/tomek1911/POTHER 에 공개되어 있어 재현성과 향후 연구를 지원한다.