[논문 리뷰] UMLS-ChestNet: A deep convolutional neural network for radiological findings, differential diagnoses and localizations of COVID-19 in chest x-rays

Germán González, Aurelia Bustos외 8명|arXiv (Cornell University)|2020. 06. 06.

COVID-19 diagnosis using AI참고 문헌 2인용 수 4

한 줄 요약

UMLS-ChestNet는 병변의 위치를 식별하는 데 사용되는 계층적 UMLS 분류 체계를 활용하여 흉부 X선에서 189종의 영상학적 소견, 22종의 감별진단 및 122개의解부학적 위치를 탐지하고 정위하는 딥 컨volution 신경망이다. 92,594장의 영상과 2,065건의 PCR로 확인된 코로나19 양성 환자 영상으로 훈련된 이 모델은 코로나19 진단에 대해 AUC 0.94의 성능을 보이며, 주의 맵(attention maps)을 통한 해석 가능성과 영상의학 보고서에 기재되지 않은 소견의 탐지 기능을 제공한다.

ABSTRACT

In this work we present a method for the detection of radiological findings, their location and differential diagnoses from chest x-rays. Unlike prior works that focus on the detection of few pathologies, we use a hierarchical taxonomy mapped to the Unified Medical Language System (UMLS) terminology to identify 189 radiological findings, 22 differential diagnosis and 122 anatomic locations, including ground glass opacities, infiltrates, consolidations and other radiological findings compatible with COVID-19. We train the system on one large database of 92,594 frontal chest x-rays (AP or PA, standing, supine or decubitus) and a second database of 2,065 frontal images of COVID-19 patients identified by at least one positive Polymerase Chain Reaction (PCR) test. The reference labels are obtained through natural language processing of the radiological reports. On 23,159 test images, the proposed neural network obtains an AUC of 0.94 for the diagnosis of COVID-19. To our knowledge, this work uses the largest chest x-ray dataset of COVID-19 positive cases to date and is the first one to use a hierarchical labeling schema and to provide interpretability of the results, not only by using network attention methods, but also by indicating the radiological findings that have led to the diagnosis.

연구 동기 및 목표

• 단순 분류를 넘어서 흉부 X선에서 다수의 영상학적 소견, 감별진단 및 해부학적 위치를 탐지할 수 있는 딥 러닝 모델을 개발하는 것.
• 코로나19의 주요 징후인 기저막 투명도 감소 및 경화성 병변의 조기 탐지 및 정위가 가능한 임상적 필요를 충족하는 것.
• 최종 진단 외에도 모델 예측에 기여하는 구체적인 영상학적 소견을 식별함으로써 진단의 해석 가능성을 향상시키는 것.
• 다양한 임상 보고서에서 일관되고 표준화된 레이블링을 가능하게 하는 자연어 처리(NLP) 기반의 레이블 추출을 통해, 92,594장의 전향적 흉부 X선 영상과 PCR로 확인된 2,065건의 코로나19 환자 영상으로 구성된 대규모 다변화된 데이터셋을 활용하는 것.
• 표준화된 의학 용어를 사용하는 계층적 레이블링을 지원하는 통합 가능한 확장성 있는 흉부 X선 분석 프레임워크를 제공하는 것.

제안 방법

• 모델는 영상학적 소견 189종, 감별진단 22종, 해부학적 위치 122개를 유니피드 메디컬 어휘 체계(UMLS) 용어에 매핑한 계층적 다중 레이블 분류 방식을 사용한다.
• 레이블은 자연어 처리(NLP)를 통해 영상의학 보고서에서 유도되며, 다양한 임상 보고서 간 일관성 있고 표준화된 레이블링을 가능하게 한다.
• 딥 컨volution 신경망(CNN)은 일반 흉부 X선 데이터베이스(92,594장의 영상)와 PCR로 확인된 코로나19 환자 영상으로 구성된 전문화된 데이터셋(2,065장의 영상)을 기반으로 훈련된다.
• 모델는 주의 메커니즘(attention mechanisms)을 활용해 X선 영상에서 관심 영역을 강조함으로써, 예측에 기여한 영역을 시각화함으로써 해석 가능성을 제공한다.
• UMLS 분류 체계의 계층적 구조는 넓은 범주와 세밀한 해부학적·병리학적 범주 모두에서 학습할 수 있도록 한다.
• 영상의학 보고서에 명시적으로 기재되지 않은 소견도 탐지할 수 있도록 설계되어, 미세하거나 초기 단계의 병변 패tern에 대한 감도를 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 기저막 투명도 감소 및 경화성 병변 등 코로나19 연관 소견을 포함하여, 다수의 영상학적 소견을 높은 정확도로 탐지하고 정위할 수 있는가?
• RQ2 계층적 UMLS 기반의 레이블링 체계는 흉부 X선 분석 모델의 해석 가능성과 임상적 관련성에 얼마나 기여하는가?
• RQ3 다양한 흉부 X선 영상으로 구성된 대규모 다변화된 데이터셋으로 훈련된 모델은 영상의학 보고서에 명시적으로 기재되지 않은 미세하거나 초기 단계의 소견을 탐지할 수 있는가?
• RQ4 영상의학 보고서에서 유도된 NLP 기반의 레이블링은 모델 훈련 및 평가의 일관성과 표준화를 어떻게 향상시키는가?
• RQ5 기존 방법과 비교했을 때, 모델의 코로나19 진단 성능은 AUC 및 임상적으로 관련된 소견 탐지 측면에서 어떻게 평가되는가?

주요 결과

• UMLS-ChestNet는 테스트 세트 23,159장의 영상에서 코로나19 진단에 대해 AUC 0.94의 높은 진단 성능을 기록하였다.
• 모델는 원래 영상의학 보고서에 기재되지 않았지만 코로나19와 임상적으로 관련성이 있는 기저막 투명도 감소 및 경화성 병변 등의 영상학적 소견을 탐지하였다.
• 계층적 UMLS 기반의 레이블링 체계를 통해 189종의 다양한 영상학적 소견, 22종의 감별진단 및 122개의 해부학적 위치를 다수의 해부학적 영역에서 높은 정밀도와 재현율로 탐지하였다.
• 주의 맵(attention maps)은 병변의 위치를 강조하여 영상 기반 진단 지원 및 모델의 투명성 향상에 기여한다.
• 모델는 현재까지 공개된 바 중에서 가장 큰 PCR로 확인된 코로나19 흉부 X선 영상 데이터셋(2,065건의 양성 사례)을 기반으로 훈련되었다.
• 모델는 다양한 해부학적 영역에서 뛰어난 성능을 보였으며, 특히 외측 영역(AUC 0.93), 광범위 이중성 영역(AUC 0.91), 복부 주변 영역(AUC 0.86) 등에서 높은 AUC 값을 기록하였다.