[论文解读] A Cascaded Learning Strategy for Robust COVID-19 Pneumonia Chest X-Ray Screening

Chun‐Fu Yeh, Hsien-Tzu Cheng+21 more|arXiv (Cornell University)|Apr 24, 2020

COVID-19 diagnosis using AI参考文献 8被引用 36

一句话总结

论文提出一个三阶段级联学习框架（肺部分割、肺炎 vs 非肺炎、COVID-19 vs 非COVID-19）以从胸部X光片中鲁棒筛查COVID-19肺炎，利用增量学习和可解释的热力图。

ABSTRACT

We introduce a comprehensive screening platform for the COVID-19 (a.k.a., SARS-CoV-2) pneumonia. The proposed AI-based system works on chest x-ray (CXR) images to predict whether a patient is infected with the COVID-19 disease. Although the recent international joint effort on making the availability of all sorts of open data, the public collection of CXR images is still relatively small for reliably training a deep neural network (DNN) to carry out COVID-19 prediction. To better address such inefficiency, we design a cascaded learning strategy to improve both the sensitivity and the specificity of the resulting DNN classification model. Our approach leverages a large CXR image dataset of non-COVID-19 pneumonia to generalize the original well-trained classification model via a cascaded learning scheme. The resulting screening system is shown to achieve good classification performance on the expanded dataset, including those newly added COVID-19 CXR images.

研究动机与目标

• 尽管COVID-19数据有限，推动从胸部X光图像中对COVID-19进行鲁棒筛查。
• 利用一个大型公开肺炎数据集来让基础分类器具有泛化能力。
• 开发一个三阶段的级联学习框架，从正常/肺炎发展到COVID-19 vs 非COVID-19。
• 提供可解释的热力图以解释模型决策并促进临床采用。

提出的方法

• 阶段1：使用U-Net预测肺部掩膜并筛除CXR图像中信息量较低的区域。
• 阶段2：在掩膜化图像上训练DenseNet-121肺炎分类器，以将Normal与Pneumonia（COVID-19和非COVID-19合并为阳性）分开。
• 阶段3：使用阶段2的输出对输入进行掩蔽，得到更细粒度的COVID-19 vs 非COVID-19肺炎分类器，并提供Grad-CAM/Guided-Grad-CAM解释。
• 阶段2中的增量学习，以在保留原始数据性能的同时并入新的COVID-19数据，通过在损失中加入知识蒸馏项实现（L_D = (1/|D|) sum CE 损失 + λ 对 D_o 的 KL 损失之和）。
• 阶段级热力图（H_i^2 和 H_i^3）通过突出肺部区域和COVID-19特定模式，提供可解释的线索。

实验结果

研究问题

• RQ1 在COVID-19数据有限的情况下，级联训练策略是否可以提高胸部X光对COVID-19的检出灵敏度和特异性？
• RQ2 将肺部分割和增量学习结合，是否在开放数据集和临床数据上提高鲁棒性？
• RQ3 阶段级热力图是否能够为COVID-19预测提供临床可解释性？
• RQ4 所提出的方法与在开放基准和临床数据上现有的COVID-19 X光筛查方法相比如何？

主要发现

• 阶段2的肺炎分类器结合肺部掩膜，在开放数据上对Normal与Pneumonia的区分度很高（AUC约为97，灵敏度和特异性均高）。
• 阶段3的COVID-19分类器在使用开放数据训练并随后在临床数据上微调后，表现强劲（在开放验证中COVID-19的AUC接近99.7；在若干设置下灵敏度和特异性都很高）。
• 整合临床数据（NTUH、TMUH、NHIA）提高了性能并产生临床相关结果（例如阶段3在开放+临床验证中的AUC接近99.7）。
• 在一项病例研究中，相对于RT-PCR，该方法显示了早期COVID-19检测能力，在确诊前几天即可检测到一部分病例。
• 与开放数据分割的COVID-Net相比，所提出的方法在关键评估中对Normal和COVID-19的预测具有更高的灵敏度。
• 该综合筛查平台已在台湾的NHIA和CDC系统中部署，并在NHIA数据上显示出临床相关的性能。