[논문 리뷰] Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection

Jianpeng Zhang, Yutong Xie외 9명|arXiv (Cornell University)|2020. 03. 27.

COVID-19 diagnosis using AI참고 문헌 53인용 수 132

한 줄 요약

이 논문은 흉부 X선에서 바이러스성 폐렴 탐지를 이진 바이러스 여부 분류가 아닌 단일 클래스 이상 탐지 문제로 재구성하고 CAAD를 도입합니다. 이는 이상 점수와 신뢰도 예측기를 결합하여 COVID-19와 같은 unseen 병원체를 포함한 바이러스성 폐렴의 선별 민감도를 향상시킵니다.

ABSTRACT

Cluster of viral pneumonia occurrences during a short period of time may be a harbinger of an outbreak or pandemic, like SARS, MERS, and recent COVID-19. Rapid and accurate detection of viral pneumonia using chest X-ray can be significantly useful in large-scale screening and epidemic prevention, particularly when other chest imaging modalities are less available. Viral pneumonia often have diverse causes and exhibit notably different visual appearances on X-ray images. The evolution of viruses and the emergence of novel mutated viruses further result in substantial dataset shift, which greatly limits the performance of classification approaches. In this paper, we formulate the task of differentiating viral pneumonia from non-viral pneumonia and healthy controls into an one-class classification-based anomaly detection problem, and thus propose the confidence-aware anomaly detection (CAAD) model, which consists of a shared feature extractor, an anomaly detection module, and a confidence prediction module. If the anomaly score produced by the anomaly detection module is large enough or the confidence score estimated by the confidence prediction module is small enough, we accept the input as an anomaly case (i.e., viral pneumonia). The major advantage of our approach over binary classification is that we avoid modeling individual viral pneumonia classes explicitly and treat all known viral pneumonia cases as anomalies to reinforce the one-class model. The proposed model outperforms binary classification models on the clinical X-VIRAL dataset that contains 5,977 viral pneumonia (no COVID-19) cases, 18,619 non-viral pneumonia cases, and 18,774 healthy controls.

연구 동기 및 목표

• 발병 감지 및 통제에 도움을 주기 위해 흉부 X선에서 빠른 바이러스성 폐렴 선별의 필요성을 제시한다.
• 명시적 다중 클래스 바이러스 라벨링을 피함으로써 데이터 셋의 시프트와 극심한 클래스 불균형을 다룬다.
• 감도 향상을 위해 신뢰도 예측기를 보강한 단일 클래스 이상 탐지 프레임워크를 제안한다.

제안 방법

• 공유 특성 추출기(EfficientNet-B0)가 이상 탐지 모듈로 피드되어 3x100 뉴런 MLP를 통해 이상 점수를 출력한다.
• 참조 가우시안 점수를 사용한 대조 손실로 이상치와 정상치를 구분한다.
• 별도의 신뢰도 예측 네트워크가 이미지당 신뢰도를 추정하고 확률적 이상 탐지 측정을 통해 보정된다.
• 추론은 이상 점수 T_ano 및 신뢰도 T_conf의 임계치를 사용하여 양성/음성 사례를 결정한다.
• 이미지넷에서의 사전 학습과 함께 엔드-투-엔드의 공동 훈련, 세 단계 학습(이상 탐지, 신뢰도 예측, 공동 미세 조정).
• 주요 방정식에는 이상 점수 phi(x; theta, alpha), 대조 손실 L_ano, 실패 예측을 위한 확률 prob 및 g의 신뢰도 형식이 포함된다.

실험 결과

연구 질문

• RQ1 바이러스성 폐렴을 바이러스성 대 비바이러스 이진 분류로 구분하는 대신 이상 탐지로 효과적으로 감지할 수 있는가?
• RQ2 명시적 신뢰도 예측 모듈의 결합이 선별 민감도를 향상시키고 잠재적 실패를 식별하는가?
• RQ3 미세 조정 없이도 CAAD가 보지 못한 바이러스성 폐렴 사례(예: COVID-19)에 얼마나 잘 일반화하는가?
• RQ4 임상 선별을 위한 이상 점수 임계치와 신뢰도 임계치 간의 트레이드오프는 무엇인가?

주요 결과

Mode	Feature extractor	Accuracy	Sensitivity	Specificity	AUC
Binary classification	ResNet	78.52	78.28	78.56	86.24
Anomaly detection	ResNet	80.04	84.44	79.34	87.18
Binary classification	EfficientNet	78.71	79.09	78.65	86.30
Anomaly detection	EfficientNet	80.65	85.51	79.87	87.42

• CAAD는 X-VIRAL 데이터세트에서 최첨단 AUC를 달성하고(신뢰도 예측 포함 87.57%), 특정 신뢰도 임계치에서 민감도는 최대 93.01%에 이른다.
• 이상 탐지는 X-VIRAL 데이터세트에서 AUC와 민감도 측면에서 이진 분류 베이스라인보다 성능이 우수하다(예: EfficientNet-B0: AUC 87.42% 대 이진 최고 모델 87.18%).
• 신뢰도 학습은 실패 예측을 더 잘 가능하게 한다: 이상 확률은 예측 확률보다 올바른 예측과 오류 예측을 더 효과적으로 구분한다.
• 보지 못한 X-COVID 데이터에서 CAAD는 AUC 83.61%와 민감도 71.70%를 달성하여 문헌의 방사선 전문의와 비슷하다.
• 초기 학습 동안 명시적 COVID-19 학습 데이터 없이도 견고한 성능을 유지하여 발병 선별에 대한 일반화가 우수함을 나타낸다.